» Die zentrale Herausforderung
auf dem Weg in eine ›data
driven economy‹ ist, Deutschland zu einem international
führenden Standort der Datenwirtschaft weiterzuent­
wickeln.«
Thorsten Dirks
Präsident, Bitkom e. V.
Leitlinien für den
Big-Data-Einsatz
Chancen und Verantwortung
www.bitkom.org
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Impressum
Herausgeber
­B ITKOM
Bundesverband Informationswirtschaft, Telekommunikation und neue Medien e. V.
Albrechtstraße 10 | 10117 Berlin
Tel.: 030 27576-0 | Fax: 030 27576-400
[email protected]
www.bitkom.org
Ansprechpartner
Dr. Mathias Weber | ­B ITKOM e. V.
Tel.: 030 27576-121 | [email protected]
Verantwortliches ­Bitkom-Gremium
AK Big Data in Zusammenarbeit mit AK Datenschutz
Projektleitung
Arnd Böken, Graf von Westphalen Rechtsanwälte Partnerschaft
Copyright
­Bitkom, September 2015
Diese Publikation stellt eine allgemeine unverbindliche Information dar. Die Inhalte spiegeln die
Auffassung im ­Bitkom zum Zeitpunkt der Veröffentlichung wider. Obwohl die Informationen
mit größtmöglicher Sorgfalt erstellt wurden, besteht kein Anspruch auf sachliche Richtigkeit, Vollständigkeit und/oder Aktualität, insbesondere kann diese Publikation nicht den besonderen
Umständen des Einzelfalles Rechnung tragen. Eine Verwendung liegt daher in der eigenen Verantwortung des Lesers. Jegliche Haftung wird ausgeschlossen. Alle Rechte, auch der auszugs­
weisen Vervielfältigung, liegen beim ­Bitkom.
Leitlinien für den
Big-Data-Einsatz
Chancen und Verantwortung
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung

1
2
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Inhaltsverzeichnis
1Geleitwort��������������������������������������������������������������������7
2Geleitwort������������������������������������������������������������������ 11
3
Management Summary������������������������������������������������������� 14
4
Nutzen ��������������������������������������������������������������������� 22
4.1Energiewende___________________________________________________________ 23
4.2Verkehrssysteme_________________________________________________________ 24
4.3 Medizinische Forschung und Diagnostik_____________________________________ 26
4.4 Öffentlicher Bereich______________________________________________________ 31
4.5 Vorhersage von Krisensituationen__________________________________________ 33
4.6 Bildung und Qualifizierung________________________________________________ 35
4.7Finanzdienstleistungen___________________________________________________ 37
4.8Landwirtschaft__________________________________________________________ 38
4.9 Connected Car – aus Sicht privater Nutzer____________________________________ 39
4.10 Digitale Einkaufswelten___________________________________________________ 40
4.11 Online-Marketing und Nutzen von Big Data für Verbraucher____________________ 41
4.12 Industrie 4.0_____________________________________________________________ 42
4.13Telekommunikation______________________________________________________ 44
4.14 Verbesserung des Datenschutzes in Rechenzentren____________________________ 45
5
Bisher ungenutzte Chancen beim Einsatz von Big Data______________________________ 50
6
Bedeutung der Datenwirtschaft in der zukünftigen Wirtschaft_______________________ 56
7
Fragestellungen für Big-Data-Leitlinien___________________________________________ 62
7.1 Big Data im internationalen Wettbewerb____________________________________ 63
7.2 Vertrauensentwicklung bei Verbrauchern – Best Practices______________________ 65
7.3 Transparenz bei Big-Data-Analysen_________________________________________ 66
7.4 Wie Analyseergebnisse zustande kommen ___________________________________ 68
7.5 Bedeutung ethischer Grundsätze bei Big-Data-Lösungen_______________________ 70
7.6Stimulierung gesellschaftlich wünschenswerter Verhaltensweisen_______________ 72
7.7 Datensammlung im Automatismus_________________________________________ 73
7.8 Recht auf Vergessenwerden?_______________________________________________ 74
7.9Umgang mit Wahrscheinlichkeiten und Verhaltensprognosen___________________ 77
7.10 Erkenntnisse aus der Kommunikation in Sozialen Netzwerken____________________ 78
8
Leitlinien für den Big-Data-Einsatz_______________________________________________ 82
9
Big Data und Datenschutz: Politischer Handlungsbedarf____________________________ 88
10Autorenverzeichnis____________________________________________________________ 92
11 Verzeichnis der Abkürzungen___________________________________________________ 93
12Sachwortverzeichnis___________________________________________________________ 94
13Quellen��������������������������������������������������������������������� 97
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Verzeichnis der Abbildungen
Abbildung 1: Big Data als Motor für Industrie 4.0_______________________________________ 43
Verzeichnis der Tabellen
Tabelle 1: Gesellschaftliche Implikationen autonomer Fahrzeuge_________________________ 40
Tabelle 2: Einflussbereiche von Big Data______________________________________________ 43
Verzeichnis der Leitlinien
Leitlinie 1 – Nutzen der Big-Data-Anwendungen prüfen_________________________________ 82
Leitlinie 2 – Anwendungen transparent gestalten______________________________________ 82
Leitlinie 3 – Bevorzugt anonymisierte oder pseudonymisierte Daten verarbeiten____________ 82
Leitlinie 4 – Interessen der Beteiligten abwägen________________________________________ 82
Leitlinie 5 – Einwilligungen transparent gestalten______________________________________ 82
Leitlinie 6 – Nutzen für Betroffene schaffen____________________________________________ 82
Leitlinie 7 – Governance für personenbezogene Daten etablieren_________________________ 82
Leitlinie 8 – Daten wirksam gegen unberechtigte Zugriffe schützen_______________________ 82
Leitlinie 9 – Keine Daten zu ethisch-moralisch unlauteren Zwecken verarbeiten ____________ 82
Leitlinie 10 – Datenweitergabe nach Interessenabwägung ermöglichen____________________ 83
Leitlinie 11 – Selbstbestimmtes Handeln ermöglichen__________________________________ 83
Leitlinie 12 – P
olitische Rahmenbedingungen vervollkommnen – Datenschutz und
Daten­nutzen neu abwägen______________________________________________ 83
3
1
Geleitwort
Epochale Chancen:
Die digitale Transformation
erfolgreich gestalten
6
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Geleitwort – Epochale Chancen: Die digitale Transformation erfolgreich gestalten
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Geleitwort – Epochale Chancen: Die digitale Transformation erfolgreich gestalten
1Geleitwort
Epochale Chancen: Die digitale Transformation erfolgreich gestalten
Wir erleben derzeit die spannendste Revolution, die es in der Wirtschafts- und Technologie­
geschichte je gab. In den kommenden zehn Jahren wird sich die Welt so stark verändern wie nie
zuvor. Dabei ist es nicht nur das Ausmaß der Veränderung, es ist ebenso ihre Geschwindigkeit,
die das Hier und Jetzt so einmalig macht. Die industrielle Revolution dauerte über einhundert Jahre,
fünf Generationen. Die digitale Revolution wird zehn, maximal zwanzig Jahre benötigen. Eine
Generation, mehr nicht. Ihre Bedeutung für jeden Einzelnen von uns, für die Gesellschaft, unser
Wertesystem, die Politik, wird dabei in nichts hinter dem zurückstehen, was vormals die
industrielle Revolution mit sich brachte.
Eine erfolgreiche digitale Transformation wird zusätzlichen Wohlstand schaffen. Dabei fallen
enorme Datenmengen an. Professor Roberto Zicari von der Goethe-Universität Frankfurt schätzt,
dass jeden Tag etwa 2,5 Trillionen Bytes Daten neu generiert werden. Derzeit generieren wir
alle zwei Tage so viele Daten wie vom Beginn der Menschheitsgeschichte bis zum Jahr 2003 –
so eine Schätzung Eric Schmidts. Die digitale Revolution wird nur funktionieren, wenn wir diese
enormen Mengen sinnvoll strukturieren und analysieren können und verantwortungsvoll mit
ihnen umgehen.
Big Data Technologien, mit denen sich die exponentiell wachsenden Datenmengen zielorientiert
und nahezu in Echtzeit analysiert werden können, sind inzwischen verfügbar. So lassen sich
Krebs besser heilen, Herzinfarkte leichter vermeiden und der Straßenverkehr so steuern, dass es
nicht nur weniger Staus und Schadstoffausstoß, sondern auch weniger Unfallopfer gibt.
Viele denken bei dem Begriff Big Data unwillkürlich an Big Brother, an eine Bedrohung orwellschen Ausmaßes. Für die Politik heißt es, bewusst und behutsam mit dem Thema umzugehen.
Weder darf man Risiken ausblenden, noch darf man aus Angst vor Risiken die Chancen
ungenutzt lassen. Dieses Positionspapier zeigt insbesondere die Chancen auf.
Wir sind auf dem Weg in eine „data driven economy“. Die zentrale Herausforderung ist,
Deutschland zu einem international führenden Standort der Datenwirtschaft weiterzuentwickeln.
Thorsten Dirks
Präsident Bitkom e. V.
7
2
Geleitwort
Big-Data-Zeitalter:
Herausforderungen erkennen
und gestaltend annehmen
10
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Geleitwort – Big-Data-Zeitalter: Herausforderungen erkennen und gestaltend annehmen
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Geleitwort – Big-Data-Zeitalter: Herausforderungen erkennen und gestaltend annehmen
2Geleitwort
Big-Data-Zeitalter:
Herausforderungen erkennen und gestaltend annehmen
Die Digitalisierung unserer Welt verändert unser Leben, revolutioniert ganze Industrien, eröffnet
neue Geschäftsmodelle und stellt uns in Wirtschaft und Gesellschaft vor neue und große Herausforderungen. Sie ist in allen Lebens- und Unternehmensbereichen mit einem rapiden Wachstum an digitalen Datenbeständen verbunden, weshalb gerne auch vom aufkommenden BigData-Zeitalter gesprochen wird. Jedes Ding und jeder Vorgang der realen Welt bekommt eine
digitale Hülle, über die sie mit anderen Dingen und Vorgängen IT-technisch verknüpft werden
können, und vermittels derer Kommunikation und intelligente Interaktion möglich wird.
Der Umgang mit diesen großen Datenmengen und ihre Nutzung ist die Grundlage für die digitale
Transformation und bestimmt Ausrichtung und Geschwindigkeit des sich vollziehenden Wandels.
Ihm kommt deshalb eine grundlegende Bedeutung zu, nicht nur für die Wirtschaft, sondern für
alle Felder des gesellschaftlichen Miteinanders. Wenn es uns in Deutschland nicht gelingt, diese
Herausforderung zu erkennen und gestaltend anzunehmen, wird dies gravierende Auswirkungen auf unsere weitere wirtschaftliche und gesellschaftliche Entwicklung und den Wohlstand
jedes Einzelnen haben; es besteht die Gefahr, digitale Kolonie zu werden.
Ein ganz wichtiger Aspekt beim Thema digitale Transformation und Big Data ist die Frage, welche
Auswirkungen Big-Data-Techniken auf unser persönliches Leben haben werden. Deutschland
beschwört eine besondere Tradition im Kontext des Datenschutzes; Prinzipien wie das Recht auf
informationelle Selbstbestimmung oder das Konzept der Datensparsamkeit und Datenver­
meidung waren bewährte Richtlinien in der Vergangenheit. Doch liefern diese Prinzipien auch die
richtigen Antworten auf die Herausforderungen des neuen Big-Data-Zeitalters? Hier bedarf es
dringend eines umfassenden gesellschaftlichen Dialogs, in dem die Tauglichkeit dieser Prinzipien
für das Big-Data-Zeitalter hinterfragt und wo immer nötig kreativ weiterentwickelt werden.
Dabei braucht es Antworten, die es erlauben, die sich bietenden Potenziale zu erschließen und
gleichzeitig möglichen Fehlentwicklungen von vornherein einen Riegel vorzuschieben.
Um diesem Dialog eine verlässliche Basis zu geben, braucht es eine solide und vertrauenswürdige
Informationsgrundlage, die auf der Basis von konkreten Pilotanwendungen verlässlich Auskunft
über Chancen und Risiken der Big-Data-Technologie gibt und so eine Richtschnur aufzeigt zur
Entwicklung ethischer Grundsätze für einen einwandfreien und konsensfähigen Einsatz von
Big-Data-Analysen. Das vorliegende Positionspapier leistet hierzu einen wichtigen Beitrag.
Prof. Dr. Christoph Meinel
Institutsdirektor und CEO, Hasso-Plattner-Institut GmbH
11
3
Management
Summary
14
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Management Summary
3Management Summary
Ziele, Zielgruppen, Schwerpunkte
Diese Publikation adressiert Entscheidungsträger in der Politik und in den Datenschutzbehörden,
private Verbraucher sowie die breite Öffentlichkeit und die Medien. Es wendet sich ebenfalls
an die Nutzer von Big-Data-Technologien und -Lösungen in der Wirtschaft, deren Anbieter sowie
Ethikbeauftragte. Sie verfolgt das Ziel, rechtspolitische Positionen und Leitlinien für den ethisch
fundierten, verantwortungsbewussten Einsatz von Big Data zu formulieren. Die Publikation soll
auch zu mehr Transparenz im Bereich Big-Data-Anwendungen beitragen, denn Information
und Transparenz schaffen die Basis für Vertrauen.
Das Positionspapier entwickelt die Handlungsempfehlungen aus dem Strategiepapier für den
Nationalen IT Gipfel 20141 weiter und konzentriert sich auf zwei Schwerpunkte:
◼◼
Mit Beispielanwendungen wird der vielfältige Nutzen für die Verbraucher und die Gesellschaft
insgesamt gezeigt, den Big-Data-Anwendungen mit sich bringen. Die Beispiele stammen
aus vielen Bereichen des gesellschaftlichen Lebens – u. a. aus den Einsatzgebieten Hochwasserschutz, Verkehrsplanung und -überwachung, Forensik, aus der medizinischen Forschung und
Diagnostik sowie aus Wirtschaftszweigen, mit deren Produkten und Services private Verbraucher
besonders oft konfrontiert werden.
◼◼
Den zweiten Schwerpunkt bilden Fragestellungen, die im Zusammenhang mit Big-DataAnwendungen im Fokus des öffentlichen Interesses stehen. Dazu gehören u. a. der Datenschutz, die Vertrauensentwicklung, die Transparenz, die automatisierte Datensammlung
sowie die ethische Fundierung (vgl. Kapitel 7). Aus diesen Darlegungen im Kapitel 7 werden
dann Leitlinien2 für den Big-Data-Einsatz (Kapitel 8) und Vorschläge an die Politik (Kapitel 9)
abgeleitet.
Nutzen von Big-Data-Anwendungen für die Verbraucher und die
Gesellschaft
Big Data bezeichnet den Einsatz großer Datenmengen aus vielfältigen Quellen mit einer hohen
Verarbeitungsgeschwindigkeit zur Erzeugung wirtschaftlichen Nutzens.3 Big-Data-Technologien
werden in sehr vielen Bereichen eingesetzt und können zu einem hohen Nutzen führen – für
Unternehmen, für Verbraucher und die Gesellschaft4 insgesamt (vgl. Kapitel 4). Einsatzbeispiele
aus 14 Bereichen werden vorgestellt – hier nur eine Auswahl:
1
Das vorliegende Positionspapier knüpft insbesondere an die Handlungsempfehlung »Schaffung und Berücksichtigung rechtlicher und ethischer Rahmenbedingungen« an – vgl. (Projektgruppe Smart Data, 2014, S. 17.)
2
Leitlinie wird hier als Handlungsempfehlung verstanden.
3 Vgl. (­Bitkom, 2012). ­Bitkom hat eine Serie weiterer Entscheidungshilfen zu Big Data vorgelegt – vgl. (­Bitkom,
2013), (­Bitkom, 2014), (­Bitkom, 2015) und (­Bitkom, 2015a). Eine Übersicht über die Anbieterlandschaft bietet
u. a. eine Untersuchung der Experton Group – vgl. (Landrock et al., 2014).
4 Prof. Roberto Zicari fördert am Big Data Lab der Goethe-Universität Frankfurt Ansätze, Big Data zum Nutzen
der Gesellschaft einzusetzen, vgl. (Drilling/Litzel, 2015).
◼◼
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Management Summary
Big-Data-Anwendungen im Gesundheitswesen unterstützen die Diagnose und Therapie von
Krebserkrankungen, die Hilfe für Infarktbetroffene, die Bereitstellung personalisierter Medikamente z. B. gegen Erbkrankheiten oder die Überwachung von Vitalparametern von Früh­
geborenen, Senioren oder chronisch Kranken.
◼◼
Im öffentlichen Bereich werden Big-Data-Technologien zurzeit vorrangig für Sicherheitsauf­
gaben, die Bekämpfung von Terrorismus und organisierter Kriminalität sowie im Katastrophenmanagement eingesetzt. Andere europäische Länder nutzen Big-Data-Anwendungen für
öffentliche Aufgaben, bei denen in Deutschland besondere Rahmenbedingungen gelten, die
bisher dem Einsatz entgegenstanden. Viel wird davon abhängen, wie die in Diskussion
befindliche EU-Datenschutz-Grundverordnung5 konkret ausgestaltet wird.
◼◼
Sensor-, Cloud- und Big-Data-Technologien gehören zu den Grundlagen für autonome Fahrzeuge und lassen tiefgreifende Veränderungen bei Mobilitätslösungen erwarten. Diese Technologien leisten auch einen unverzichtbaren Beitrag für Industrie 4.0 sowie für intelligente
Stromnetze und Verkehrssysteme der Zukunft.
◼◼
Mit Big-Data-Technologien erhöhen die Telekommunikationsunternehmen die Leistungsfähigkeit ihrer Infrastruktur. Sie können außerdem anonymisierte Bewegungsmuster ihrer Kunden
erzeugen, die u. a. bei der Verkehrsplanung und -steuerung hilfreich sind.
Insgesamt wird die Datenwirtschaft die Geschäftsmodelle vieler Branchen unserer Industrie- und
Dienstleistungslandschaft umkrempeln. Big Data wirkt als Katalysator für die Entstehung bzw.
Modifizierung von Geschäftsmodellen6, ist bereits unternehmerische Realität und eröffnet neue
Möglichkeiten für innovative Unternehmen und Startups.
Transparenz über den Nutzen von Big Data in vielen Einsatzgebieten hilft der Politik, informierte
Entscheidungen zu treffen.
Chancen ergreifen, Risiken eindämmen
Die vielen Einsatzmöglichkeiten dürfen nicht darüber hinwegtäuschen, dass Big Data nicht frei
von Risiken ist, wenn es um personenbezogene Daten geht oder wenn Kausalzusammenhänge
falsch interpretiert werden.7
Unsere Gesellschaft steht vor der Herausforderung, Missbrauch zu verhindern, Freiheitsrechte
zu bewahren und die Privatsphäre zu sichern. Diesem Ziel dient der Dreiklang aus Gesetzen,
Selbstverpflichtungen und ethischen Leitlinien der Wirtschaft und öffentlichem Diskurs in einer
demokratisch verfassten Gesellschaft. Dieser Dreiklang stärkt die Immunität unserer Gesell-
5
Vgl. http://www.eu-datenschutzverordnung.de
6 Vgl. (­Bitkom, 2015).
7
Vgl. Kapitel 7 in (­Bitkom, 2014).
15
16
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Management Summary
schaft gegen ein Abgleiten in eine orwellsche Welt und bewahrt unsere demokratischen Grundsätze und Wertvorstellungen sowie das grundsätzliche Prinzip der Solidargemeinschaft.
Letztlich ist es ein gesellschaftlicher Aushandlungsprozess, wie mit den Ergebnissen bestimmter
Big-Data-Analysen umgegangen wird. Klar ist: Für den Einsatz von Big-Data-Prognosen gibt
es Grenzen. Prognosen dürfen nicht die Chancengleichheit von Menschen einschränken oder
Menschen diskriminieren. Staatliche Zwangsmaßnahmen dürfen nicht an prognostizierten,
sondern nur an tatsächlich begangenen Handlungen ansetzen. Die Kombination aus Gesetzen,
in der Wirtschaft gelebten Werten und der informierten Öffentlichkeit wird verhindern, dass
ambitionierte Big-Data-Anbieter bei der »Vermessung« des Menschen über das Ziel hinausschießen.
Chancen und Risiken müssen bei jeder Anwendung konkret abgewogen werden – Pauschalurteile
genügen hier nicht. Neuen Technologien schlägt immer Skepsis und auch Ablehnung entgegen.
In der breiten Öffentlichkeit ist zu wenig über erfolgreiche Big-Data-Anwendungen bekannt. Mehr
Informationen, mehr Fallbeispiele, mehr Transparenz tragen zur Akzeptanz bei. Hier sind auch
die Anbieter gefordert.
Schwerpunkte im öffentlichen Diskurs
Der Einsatz von Big-Data-Technologien ist Gegenstand eines intensiven öffentlichen Diskurses.
In Kapitel 7 werden ausgewählte Fragen aufgegriffen, die aus Sicht des B
­ itkom besonders
wichtig sind.
◼◼
Rechtssicherheit auf europäischer Ebene: Für Big Data in der internationalen Dimension sind
einheitliche, international geltende Regeln erforderlich. Die in Diskussion befindliche EUDatenschutz-Grundverordnung bleibt derzeit noch hinter den Möglichkeiten und Erfordernissen
der Digitalisierung zurück. Es ist Aufgabe der Politik, für die angemessenen Rahmenbedin­
gungen zu sorgen.
◼◼
Transparenz und Verbraucherakzeptanz von Big Data: Damit die Verbraucher Big-DataAnwendungen akzeptieren, müssen ihre Vorbehalte und Ängste verstanden und ernst genommen werden. Transparenz ist ein wesentlicher Schlüssel für die Akzeptanz von Big-DataLösungen in der öffentlichen Meinungsbildung. Die Technologieanbieter sollten sich zu einer
ethisch fundierten Herangehensweise bekennen und Transparenz herstellen.
◼◼
Bedeutung automatisierter Datensammlung: Die automatisierte Sammlung von Daten
bietet sowohl für den Verbraucher als auch für Unternehmen einen erheblichen Mehrwert.
Zu gewährleisten ist dabei aber, dass die rechtlichen Vorgaben beachtet werden und der
Verbraucher den Überblick darüber behält, welche Daten seine Geräte übermitteln, um selbstbestimmt handeln zu können.
◼◼
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Management Summary
Recht auf Vergessenwerden: Die Forderung eines »Rechts auf Vergessenwerden« geht an der
technologischen Realität vorbei. Vielmehr geht es um selbstbestimmtes Löschen und darum
zu erfahren, wo welche personenbezogenen Daten liegen.
◼◼
Grenzen für Prognosen: Prognosen auf der Basis von Big-Data-Einsatz können an Grenzen
geraten – sie dürfen nicht die Chancengleichheit von Menschen beschneiden.
◼◼
Analyse Sozialer Netzwerke: Unternehmen sollten bei der Analyse der Kommunikation in
Sozialen Netzwerken umsichtig agieren und die Interessen der Betroffenen angemessen
berücksichtigen.
Leitlinien für den Big-Data-Einsatz
Da nicht sämtliche Einzelheiten des Wirtschaftslebens durch Gesetze geregelt werden können,
sind Leitlinien für die Unternehmen als Orientierungsrahmen bei der Entwicklung und Nutzung
von Big-Data-Technologien hilfreich.
Die Leitlinien sollen Hinweise für die Kommunikation mit Verbrauchern geben, Best Practices für
das Prozessmanagement und die Unternehmensorganisation bieten und den Unternehmen
insgesamt eine Richtschnur für einen ethisch und juristisch einwandfreien Einsatz von Big-DataAnalysen aufzeigen.
Besondere Verantwortung tragen Organisationen, wenn sie personenbezogene Daten verarbeiten.
Dieses Positionspapier zeigt auch die Grenzen für den Big-Data-Einsatz auf. Mit einem ent­
sprechenden Design von Prozessen und Organisation sowie mit Programmierungs-Know-how
wappnen sich Unternehmen gegen Fehler im Umgang mit Big Data.
Die vorliegende Publikation ist Teil eines länger dauernden Meinungsbildungsprozesses in der
Gesellschaft8, steht doch die Nutzung von Big Data in Wirtschaft und Verwaltung noch am
Anfang. Der Diskurs über Chancen und Risiken kann nur anhand konkreter Anwendungen geführt
werden. Demzufolge wird es erforderlich sein, die Leitlinien im Zuge der öffentlichen Diskussion
weiterzuentwickeln. Dann wird auch erkennbar, ob die generischen Leitlinien in eine Selbst­
verpflichtung9 der Big-Data-Anbieter münden können oder ob es weiterer Regulierung bedarf.
Politischer Handlungsbedarf
Dieses Positionspapier ist ein Plädoyer für einen fortwährenden gesellschaftlichen und politischen Diskurs, um gesellschaftlich akzeptierte Standpunkte zu Big Data zu entwickeln. Chancen
und Risiken müssen in diesem Diskurs in einen angemessenen Ausgleich gebracht werden und
8 Mit der »Schaffung und Berücksichtigung ethischer Rahmenbedingungen« befasst sich auch die Fachgruppe
»Wirtschaftliche Potenziale und gesellschaftliche Akzeptanz«, die im Rahmen der Begleitforschung für
das BMWi-Technologieprogramm »Smart Data – Innovationen aus Daten« etabliert wurde. Vgl. (BMWi, 2015).
9 Vgl. (Swisscom, o.J.), (Deutsche Telekom, o.J.).
17
18
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Management Summary
an diesem Maßstab sollten sich die rechtlichen Vorgaben orientieren. Bisher wurde Big Data
lediglich unter Schutzaspekten gesetzlich erfasst. Es gilt jedoch, positive Nutzungsregeln ins
Auge zu fassen, die der zentralen Bedeutung von Daten in einer Data Driven Economy gerecht
werden.
Struktur des Positionspapiers
Das Positionspapier umfasst sechs Kapitel, die durch Geleitworte, Management Summary sowie
Verzeichnisse der Autoren, Sachwörter und Quellen ergänzt werden.
◼◼
Das Kapitel 4 soll zeigen, welchen Nutzen Big Data für die Gesellschaft insgesamt hat. Das
gilt auch für eine so wichtige Entwicklung wie Industrie 4.0, die das Arbeitsleben zukünftig
grundlegend umgestalten wird. Da die Einsatzgebiete und konkreten Anwendungen in der
Öffentlichkeit noch zu wenig bekannt sind, legen die Autoren Wert auf Vielfalt und verständ­
liche Dar­stellung. Für den schnellen Leser sind auch alle Abschnitte dieses Kapitels mit kurzen
Zusammenfassungen versehen.
◼◼
Impulse für den Big-Data-Einsatz in Wirtschaft und Verwaltung kann auch der Blick über die
Landesgrenzen hinaus vermitteln. Im Kapitel 5 werden Beispiele für Big-Data-Anwendungen
vorgestellt, die aus verschiedenen Gründen in Deutschland (noch) nicht zum Tragen kommen.
◼◼
Das Kapitel 6 richtet den Blick über einzelne Big-Data-Anwendungen hinaus und charakterisiert
die Datenwirtschaft als dynamische neue Branche der Volkswirtschaft, die Unternehmen
vieler Branchen Geschäftsmodell-Innovationen und Wachstumspotenziale eröffnet.
◼◼
Das Kapitel 7 greift wichtige Aspekte aus dem öffentlichen Diskurs um den Big-Data-Einsatz
auf und stellt Positionen des ­Bitkom vor.
◼◼
Kapitel 8 formuliert prägnante Leitlinien.
◼◼
Kapitel 9 wendet sich mit Vorschlägen an die Politik.
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Management Summary
19
4
Nutzen von Big-DataAnwendungen für Gesellschaft
und Privatpersonen
22
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Nutzen von Big-Data-Anwendungen für Gesellschaft und Privatpersonen
4Nutzen
von Big-Data-Anwendungen für Gesellschaft und
Privatpersonen
Das Kapitel 4 zeigt an Beispielen aus 14 ausgewählten Bereichen die Bedeutung von
Big-Data-Technologien für die Gesellschaft und die Verbraucher auf.10
◼◼
Die durchgehende Digitalisierung der meisten Geschäftsprozesse in Unternehmen und
Organisationen führt zu einem enormen Anstieg der Daten. Die dafür erforderliche Verbesserung von Dateninfrastrukturen steigert die Wettbewerbsfähigkeit der deutschen Wirtschaft
und prägt maßgeblich die Attraktivität des Wirtschaftsstandorts Deutschland.11 Von modernen
Dateninfrastrukturen profitieren u. a. die Energieversorgung, das Verkehrswesen, das Gesundheitswesen und die staatliche Verwaltung. Wegen ihrer Bedeutung für die privaten Verbraucher werden auch Beispiele aus Bereichen wie Finanzdienstleistungen, Mobilität (Connected
Car) oder Telekommunikation aufgeführt. Zusätzlich wird gezeigt, dass Industrie 4.0 aus
Big-Data-Ansätzen maßgebliche Impulse erhält – auch wenn der Nutzen für private Verbraucher nicht unmittelbar ersichtlich wird.
◼◼
Die Bereitstellung von Nahrungsmitteln für eine auch weiter rasant steigende Weltbevölkerung ist eine eminent politische Aufgabe. Insofern sind die Möglichkeiten des Big-Data-Einsatzes
in der Landwirtschaft von enormer gesellschaftlicher Relevanz.
◼◼
Das Internet der Dinge und Big Data dringen schrittweise von der Produktionskette bis an die
Ladentheke. Big Data gibt dem (Online-)Händler Werkzeuge in die Hand, die potenziellen
Käufer mit individuellen Angeboten zu adressieren und bis zur Kaufentscheidung zu begleiten.
◼◼
Big Data trägt zur Erhaltung eines kostenfreien, da werbefinanzierten Angebots-Ökosystems
im Internet bei. Verbraucher profitieren von qualitativ hochwertigen und kostenfreien
Inhalten, Dienstanbieter von optimierten Erträgen aus der Bereitstellung ihrer Services.
Die Datenwirtschaft wird die Geschäftsmodelle vieler Branchen unserer Industrie- und Dienstleistungslandschaft umkrempeln. Zahlreiche Beispiele aus Unternehmen zeigen die Entstehung
bzw. Modifizierung von Geschäftsmodellen durch Big Data auf. Big Data ist unternehmerische
Realität und eröffnet neue Möglichkeiten für innovative Unternehmen und Startups. Der Wert
eines Produktes aus Verbrauchersicht wird immer stärker durch intelligente Software-Funktionalität und kontext-sensitive Bereitstellung von Daten geprägt (digitale Anreicherung).
10 Zahlreiche Einsatzbeispiele von Big-Data in der privaten Wirtschaft enthalten die Leitfäden des B
­ itkom
(Vgl. insbesondere (­Bitkom 2012) und (­Bitkom 2015)). Weitere wurden auf den Kongressen »Big Data Summit«
vorgestellt (vgl. www.bitkom-bigdata.de).
11 Mit dem Big-Data-Einsatz in Bereichen wie Energie- und Verkehrswesen werden enorme Ressourcen gespart
und Beiträge zum Umweltschutz erbracht. Damit wird der Forderung entsprochen, dem Leitbild der nach­
haltigen Entwicklung zum Durchbruch zu verhelfen. Vgl. dazu (Kreibich, 2015).
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Nutzen von Big-Data-Anwendungen für Gesellschaft und Privatpersonen
4.1 Energiewende
Das intelligente Stromnetz der Zukunft besteht aus einer großen Zahl von technischen Systemen,
die durch Daten-Dienste miteinander verbunden sind. Dazu gehören die Erfassung, Speicherung,
Verarbeitung und Visualisierung aller technischen und betriebswirtschaftlichen Daten und
komplexe Optimierungsrechnungen. Big Data, Cloud Computing, Datenschutz und IT-Sicherheit
sind für Smart Grids essenziell.
Die Bundesregierung plant den Einsatz von Smart Metering in deutschen Haushalten. Die
Optimierung des privaten Verbrauchs von Elektroenergie leistet einen bedeutenden Beitrag zur
Energiewende.
2013 hat das jetzige Bundesministerium für Wirtschaft und Energie eine Studie für den flächendeckenden Einsatz von Smart Metering in Deutschland vorgestellt.12 Ein Szenario geht davon
aus, dass bis 2022 mehr als zehn Millionen digitale Zähler installiert sind und die Innovation
somit rund zwei Drittel aller Haushalte und Unternehmen erfasst.
Smart Meter bilden die Grundlage für ein intelligentes Stromnetz der Zukunft (Smart Grid). Das
intelligente Stromnetz verbindet Erzeuger und Verbraucher sowie Energiespeicher und ermöglicht den Austausch von Zustandsinformationen. So wird es möglich, Angebot und Nachfrage
besser aufeinander abzustimmen und zeitnah auf Schwankungen zu reagieren. Das kann nur
funktionieren, wenn es gelingt, die Daten von Millionen Verbrauchern in kurzer Zeit zu ver­
arbeiten und eine Rückkopplung an die Verbraucher z. B. in Form von Preisinformationen zu gewährleisten, um die Motivation zur Verminderung des Verbrauchs in Zeiten von vergleichsweise
geringem Angebot zu stärken.
Das intelligente Stromnetz der Zukunft besteht aus einer großen Zahl von technischen Systemen,
die durch Daten-Dienste miteinander verbunden sind. Dazu gehören die Erfassung, Speicherung,
Verarbeitung und Visualisierung aller technischen und betriebswirtschaftlichen Daten und
komplexe Optimierungsrechnungen. Big Data, Cloud Computing und IT-Sicherheitstechnologien
gehören zu den Technologien, die im intelligenten Stromnetz eingesetzt werden.13
Der Nutzen eines intelligenten Stromnetzes für Privatverbraucher ist offensichtlich: Sie erhalten
eine deutlich höhere Transparenz über ihren Verbrauch und können Kostentreiber im Haushalt
identifizieren und abstellen.
12 Vgl. (Ernst & Young, 2013).
13 Vgl. (Daniel, 2014) sowie (­Bitkom, 2013, S. 88-90).
23
24
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Nutzen von Big-Data-Anwendungen für Gesellschaft und Privatpersonen
4.2 Verkehrssysteme
Der Einsatz von Big-Data-Lösungen im Luft-, Schienen- und Straßenverkehr ermöglicht jedes
Jahr Millioneneinsparungen und verbessert die Umweltbilanz entscheidend. Gleichzeitig können
die Beförderungsangebote besser auf den Bedarf der Passagiere angepasst werden.
Optimierung im Schienen- und Straßenverkehr – am Beispiel der
Schweiz
Aus der Logistik stammt eine Big-Data-Anwendung, die jedem Zugfahrer einen Nutzen klar vor
Augen führt14: Die Schweizer Bahnen regeln die Geschwindigkeit ihrer Züge mit neuen Technologien. Die Verminderung von Verkehrshalten lässt auch den Energieaufwand sinken – mit Millioneneinsparungen in jedem Jahr und Beiträgen zum Umweltschutz. Die Spezifik des Eisenbahnwesens führt dazu, dass Verbesserungen im System nur durch eine Optimierung des vorhandenen
Netzes möglich sind. Das neue Rail Control System speichert und verarbeitet in Sekunden­
schnelle die Zuginformationen aller in Betrieb befindlichen Bahnen sowie Zustandsdaten der
gesamten Bahninfrastruktur. Es liefert dem Lokführer Informationen zur Steuerung der Zuggeschwindigkeit mit dem Ziel, ungeplante Stopps zu vermeiden, denn starkes Abbremsen und
nachfolgendes Beschleunigen großer Lasten kosten sehr viel Energie.
In ähnlicher Form werden Big-Data-Analytics-Lösungen bei der japanischen und britischen Bahn
zur Optimierung der Verfügbarkeit, Pünktlichkeit und Auslastung der Züge eingesetzt.15, 16
Mit Hilfe von Bewegungsdaten aus dem eigenen Mobilfunknetz sind Telekommunikationsanbieter
in der Lage17, schnell und aktuell Reisezeitinformationen zu liefern. Damit lassen sich Verkehrsströme auf Autobahnen besser steuern und in der Folge die damit zusammenhängende Infrastruktur genauer planen. Die Swisscom hat eine »Mobility Insights Plattform« entwickelt, die
das leistet.
Umweltfreundliches Truckmanagement
DB Schenker hat eine Flottenlösung eingeführt, die zu signifikanten Reduktionen des Treibstoffverbrauchs und der CO2-Emissionen sowie gleichzeitig zu einem verbesserten Überblick für
Disponenten führt.18 Vernetzte Fahrzeugflotten erzeugen laufend Daten. Dabei entstehen schnell
Datenvolumina in einem dreistelligen Terabyte-Bereich, in denen Optimierungspotenziale
stecken. Die Flottenlösung sammelt kontinuierlich Fahrzeugbewegungsdaten und ermöglicht
14 Vgl. (Lixenfeld, 2014).
15 Vgl. (Dornacher, 2015).
16 Im Juni 2015 hat die Deutsche Bahn ihre Digitalisierungsstrategie vorgestellt. Vgl. (Deutsche Bahn, 2015).
17 Vgl. (Schlegel, 2015).
18 Vgl. (Schwarzböck/Willenbrock, 2015).
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Nutzen von Big-Data-Anwendungen für Gesellschaft und Privatpersonen
dadurch die Berechnung der Fahreffizienz von Trucks.19 Damit sind deutliche Senkungen des
Kraftstoffverbrauchs und der daraus resultierenden Schadstoff-Emissionen möglich. Zusätzlich
lassen sich durch die angefallenen Daten Korrelationen zwischen Fahrverhalten und notwen­
digen Reparaturen herstellen. Durch die ebenfalls effizientere Routenplanung ist auch eine
genauere Prognose von Lieferzeiten möglich.
Bessere Angebote für öffentlichen Nahverkehr
Vergleichbare Anwendungen entwickeln auch die Telekommunikations-20 und andere Unter­
nehmen21: Aktivitätsdaten aus dem Mobilfunknetz bieten die Möglichkeit, Verkehrsanalysen für
unterschiedliche Verkehrsmittel mit hoher Detailtiefe durchzuführen. Für den öffentlichen
Nahverkehr ergeben sich daraus neue Chancen, bessere Angebote zu schaffen. So lassen sich für
den Verkehrsbetrieb mit Hilfe anonymisierter Daten aus dem Mobilfunknetz die Autofahrten
zwischen unterschiedlichen Stadtteilen auswerten. Für vielbefahrene Strecken ergeben sich so
immer bessere Alternativangebote. Eine Auswertung des Umsteigeverhaltens hilft zudem,
Wartezeiten zu reduzieren.
Im Bereich Verkehr werden durch die Nutzung anonymisierter Daten aus dem Mobilfunk in
naher Zukunft umfangreiche Möglichkeiten erschlossen: Bessere Daten für die Planung von
Infrastrukturprojekten im Bereich Straße und Schiene, bessere Stauprognosen, eine bessere
Taktung bei Zügen sowie Buslinien, die den ländlichen Raum besser erschließen – und vieles
mehr.
Verkehrs-Hubs – am Beispiel Smart Port Logistics im Hamburger Hafen
Mitten in der Stadt gelegen, nimmt der Hamburger Hafen rund ein Zehntel der gesamten
Stadtfläche ein. Die Lage stellt die Hamburg Port Authority (HPA) vor besondere Herausforderungen.
Sie bestehen darin, wachsende Warenströme auf diesem begrenzten Raum effektiv zu steuern,
LKW-Standzeiten zu vermeiden und ein übergreifendes Lagebild der Ist-Situation für bessere
Entscheidungen zu liefern.
Um die Verkehrsströme künftig miteinander zu vernetzen und effizienter zu gestalten, führte
die HPA mit IT-Dienstleistern das Cloud-basierende Informations- und Kommunikationssystem
19 Per mobilem Gerät und GPS-Daten werden die jeweiligen Positionen eines Trucks sekündlich ermittelt. Auf
einem zentralen Server werden diese Daten mit weiteren Informationen wie z. B. zum spezifischen Luftwiderstand des jeweiligen Lastwagens verknüpft. Die Auswertung dieser Kombination ergibt eine Aussage zur
Effizienz des Fahrstils. Der Fahrer erhält die Information über ein Ampel-System auf seinem mobilen Endgerät:
rot steht für eine ineffiziente, grün für eine effiziente Fahrweise.
20 Ein ausgereiftes Beispiel ist Motionlogic, eine Ausgründung aus den T-Labs der Deutschen Telekom:
Vgl. (Weber, 2015).
21 Vgl. (Umbach/Kellner, 2015) sowie (Xu et al., 2015).
25
26
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Nutzen von Big-Data-Anwendungen für Gesellschaft und Privatpersonen
smartPORT logistics ein22, das den Andrang der täglich über 140000 Lkw-Fahrten im Hafen
entzerrt und die Güterströme optimiert.23
Die Menge an Verkehrs- und Transportdaten ist riesig. Dabei gibt es viele verschiedene Beteiligte
wie Hafenverwaltung, Speditionen, Transporteure, Parkflächen- und Terminal-Betreiber, die
mit unterschiedlichen Systemen und Datenarten arbeiten.
Heute sind einzelne Akteure in sich optimiert, aber es gibt keine Optimierung des Gesamt­
systems Ware/Verkehr. SmartPORT logistics ermöglicht es Häfen sowie Transport- und Logistik­
unternehmen, Transportaufträge in Echtzeit zu überwachen. Transportieren diese Organisa­
tionen Güter effizienter und sicherer, erhöhen sie auch die Zufriedenheit aller Beteiligten – insbesondere der privaten Verbraucher.
Im nächsten Schritt sollen Teilnehmer und Informationsquellen wie Informationen zur Verfügbarkeit der Container erweitert werden. Die HPA bietet daher einen Service-Marktplatz an,
in dessen Datenangebote sich immer mehr Akteure der Hafenwirtschaft einklinken können.
4.3 Medizinische Forschung und Diagnostik
Big-Data-Anwendungen im Gesundheitswesen – zurzeit noch in den Anfängen – könnten
Gesundheit und Wohlbefinden vieler Menschen bedeutend verbessern.24
Es entstehen derzeit Falldatenbanken25 – z. B. ein Krebsregister an der Charité – für einige häufige
sowie für schwere Erkrankungen, um bei neuen Patienten mit ähnlichen Symptomen die eine
möglichst wirksame Therapie zu finden.
Die im Abschnitt 4.3 skizzierten Beispielanwendungen sind größtenteils bereits Teil unseres
Lebens; einige befinden sich noch im Laborstadium. Sie benötigen personenbezogene, medizinische und dadurch besonders schützenswerte Informationen. Wenn es um Gesundheit und
Leben geht, sollte der Staat die Rahmenbedingungen verbessern, damit die Patienten schnell von
den Fortschritten in IT-gestützter Diagnostik und Therapie profitieren können (vgl. Leitlinie 3).26
22 Vgl. (Westermann/Müller, 2014) sowie (­Bitkom, 2015, S. 55-56).
23 Verkehrssteuerung per Cloud generiert Big Data. 8.000 LKW bewegen sich pro Tag mit rund 140.000 Fahrten
durch das Gelände. Über 100 Energieversorgungunternehmen verkehren im Hafen. Der Hamburger Hafen
ist der größte Eisenbahnhub Europas.
24 Für eine Gesamtsicht auf Big Data im Gesundheitswesen vgl. (Langkafel, 2015). Die Jahrestagung des
Deutschen Ethikrates »Die Vermessung des Menschen – Big Data und Gesundheit«, Berlin, 21. Mai 2015,
widmete sich dem Themenkreis Big Data und Ethik. Vgl. u. a. (Dabrock, 2014) und (Petri, 2015).
25 Oft handelt es sich um Big-Data-Lösungen.
26 Vgl. (Bohsem, 2015).
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Nutzen von Big-Data-Anwendungen für Gesellschaft und Privatpersonen
Diagnose und Behandlung von Tumoren
Anfang Juli 2015 stellten das Potsdamer Hasso-Plattner-Institut und die Berliner Charité auf der
Konferenz »Big Data in der Medizin« eine neue Lösung vor, mit der sich innerhalb kürzester
Zeit die für einen Krebspatienten optimale Chemotherapie bestimmen lässt. Ohne Big-DataAnalysen würde das Wochen dauern. Die Analyse berücksichtigt die genetische Ausstattung des
Krebs­patienten und liefert Prognosen, wie Tumore auf bestimmte Medikamente ansprechen.
So können auch Wirkstoffmengen genauer dosiert werden.
Auch am Nationalen Centrum für Tumorerkrankungen (NCT) in Heidelberg arbeiten Ärzte und
Wissenschaftler an neuen Therapieformen. Das ist eine komplexe Aufgabe, denn jeder Tumor ist
einzigartig. Das IT-Projekt »Medical Research Insights«27 hilft den Forschern, individuelle
Behandlungsmethoden für die Patienten zu entwickeln.
Die Erfolgsaussichten unterschiedlicher Behandlungsmethoden bei Tumorpatienten lassen sich
oft nur vage vorhersagen – mit der Konsequenz, dass teure und nebenwirkungsbehaftete
Therapien zu keiner Verbesserung des Gesundheitszustandes führen.
Komplexe Krankheiten benötigen komplexe Analysen. Es gibt über 100 verschiedene Formen von
Krebs, wobei sich jede Form in ihrer Ausprägung und Entwicklung stark unterscheidet. Deshalb
ist es umso wichtiger, dass betroffene Patienten eine schnelle, individuelle und auf ihren Fall zuge­schnittene Behandlung erhalten. Dafür muss das NCT mit Bezug auf das Patientenprofil eine
große Menge an Daten in Echtzeit auswerten (vgl. Leitlinie 3 und Leitlinie 8) – sowohl strukturierte28,
als auch unstrukturierte29 Daten. Alle Informationen fließen zentral zusammen. In kürzester
Zeit lässt sich ermitteln, welche Therapie den größten Erfolg verspricht.
Big-Data-Technologien integrieren all diese Daten mit sehr großen Datenvolumen aus unterschiedlichen Quellen. Die beschleunigte Tumordiagnostik kann die Lebenserwartung der Tumorpatienten erhöhen.
Hilfe für Infarkt-Betroffene
In der Vergangenheit haben Ärzte nur kurze Abschnitte von EKG-Daten analysiert. Nur selten
waren Ärzte in der Lage, lange Ausdrucke zu studieren, die im Laufe eines Tages entstehen. Bei
der Bewertung des Gesundungsprozesses von Infarktbetroffenen kann es jedoch hilfreich sein,
die gesamten Daten zu analysieren. Dabei haben US-amerikanische Wissenschaftler Hinweise in
EKGs gefunden, welche Abweichungen von einem »normalen« Verlauf das Risiko vervielfachen,
27 Basis ist SAP HANA, vgl. (­Bitkom 2015, S. 107f.).
28 Tumordokumentationen, medizinische Akten, klinische Studien, …
29 Arztbriefe, MRT-Befunde, genetische Analysen oder Krebsregisterdaten, Behandlungshinweise, Versuchs­
studien, Publikationen, …
27
28
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Nutzen von Big-Data-Anwendungen für Gesellschaft und Privatpersonen
innerhalb eines Jahres einem erneuten Infarkt zu erliegen. So konnten neue Techniken für die
Risikoanalyse entwickelt werden. 30
Personalisierte Medizin gegen Erbkrankheiten
Die Mukoviszidose ist eine vererbte Stoffwechselerkrankung – sie behindert die normale Lungen­
funktion: Die Hälfte der Patienten wird keine 40 Jahre alt. Die Fortschritte bei der Gensequen­
zierung und bei Big-Data-Methoden erlauben es, personalisierte Arzneimittel herzustellen und
betroffenen Menschen ein deutlich längeres und besseres Leben zu ermöglichen.
Die pharmazeutische Industrie will einzelnen Patienten gezielt helfen, indem sie klinische Daten
in Verbindung mit genetischen Daten analysiert. Das Ziel dieser Analysen liegt darin, mehr über
die Wirksamkeit und das Nebenwirkungsprofil von Medikamenten zu erfahren. Dadurch können
die Ärzte jedem Patienten mitteilen, ob ein Präparat bei ihm wirkt und mit welchen Neben­
wirkungen zu rechnen sein wird.
Auswege aus der Makula-Degeneration
25 Millionen meist ältere Menschen auf der Welt leiden unter Makula-Degeneration, einer
Gruppe von Augenerkrankungen, die in einem längeren Prozess zur Erblindung führt.
Die medizinische Forschung hat Wege identifiziert, wie man Betroffenen helfen kann: Die
komplexen Signalvorgänge, die eine gesunde Netzhaut beim Betrachten eines Bildes im Gehirn
auslöst, werden reproduziert, indem eine Spezialbrille Lichtsignale erzeugt. Diese Signale
werden von Nervenzellen im Auge in elektrische Signale umgesetzt. Das Gehirn kann diese Signale
verarbeiten – der Mensch kann wieder »sehen«.
Das komplexe Zusammenwirken einer ganzen Reihe von Hochtechnologien – Big Data bildet
hier nur eine Gruppe – ist noch im Forschungsstadium, zeigt aber einen prinzipiellen Weg auf,
Funktionen von Organen nachzubilden.
Frühgeborenen-Überwachung
Kanadische Neonatologen haben festgestellt, dass es Fälle von Infektionen bei Frühgeborenen
gibt, die durch medizinische Frühindikation ca. 24 Stunden vor dem Ausbruch der gefährlichen
Infektion verhindert werden können. Durch die permanente Überwachung bestimmter Symptome
und lebenswichtiger Parameter bei Frühgeborenen mit Hilfe modernster, medizinischer Sensorik
lässt sich die Frühgeborenen-Sterblichkeit vermindern. Um die kritischen Warnsignale und
Parameter-Änderungen des medizinischen Zustandes frühzeitig zu erkennen, müssen ununterbrochen tausende von Sensordaten pro Sekunde analysiert werden.31
30 Vgl. (Smolan/Ewitt, 2013).
31 Vgl. (­Bitkom, 2012).
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Nutzen von Big-Data-Anwendungen für Gesellschaft und Privatpersonen
Überwachung von Vitalparametern – Betreuung von Senioren und
chronisch Kranken
Für die Erfassung und Verarbeitung detaillierter biometrischer Daten gibt es ein riesiges
Spektrum von Anwendungen. Man denke an die Unterstützung von Sportlern beim Streben
nach Höchstleistungen bis hin zur Betreuung einer alternden Bevölkerung.
Vielen älteren Menschen kann mit der Überwachung ihrer Vitalparameter geholfen werden, in
ihrem häuslichen Umfeld zu bleiben – mit tiefgreifenden Folgen für Wohlbefinden und Lebensfreude sowie mit daraus resultierenden Einsparungen im Sozialwesen.32
Big Data und Cloud Computing liefern die Werkzeuge. Lösungen für solche Aufgabenstellungen
sind längst Realität.33 In einigen Ländern ist es bereits sehr populär geworden, solche Lösungen
zur Gestaltung des eigenen Lebens einzusetzen, also z. B. die Balance zwischen Kalorienauf­
nahme und -verbrauch zu wahren.
Die meisten Patienten mit chronischen Erkrankungen wissen, dass sie in der Regel nicht mehr
von ihrem Leiden befreit werden können. Patienten mit koronaren Erkrankungen (Herzinfarkt),
Schlaganfall-Patienten oder Patienten, die unter Autoimmunerkrankungen leiden, geht es
darum, sich im Verlauf ihres weiteren Lebens mit der Erkrankung zu arrangieren. Als Beispiel soll
der Sport für Patienten mit koronarer Herzkrankheit dienen – neben der regelmäßigen Einnahme
von Medikamenten eine lebensverlängernde Maßnahme. Viele Infarktpatienten geben jedoch
die sportlichen Aktivitäten bereits kurz nach der erfolgreichen Rehabilitation wieder auf, da sie
sich – alleine sporttreibend – ungeschützt fühlen und das Risiko einer Überanstrengung als zu
hoch empfinden. Körpernahe Sensoren nehmen bei sportlich aktiven Patienten EKG-Signale und
Vitaldaten ab. Die Daten werden über Mobiltelefone an einen Server übertragen, von Artefakten
befreit, prädiktiv analysiert und mit Daten einer Vergleichskohorte verglichen. Bei der Detektion
eines Zwischenfalls oder einer bedrohlichen Lage des Sportlers, die anhand der analysierten
Daten festgestellt wurde, wird automatisch eine Ambulanz zum aktuellen Aufenthaltsort des
Sportlers geschickt.
Nutzen von Gesundheits-Apps
Seit 2007 hat sich der Smartphone-Markt durch nutzerfreundlichere Geräte und die stärkere
Integration von Sensoren stark verändert. Dieser Trend hat sich noch durch Zusatzgeräte wie
Fitnessarmbänder (Fitnesstracker) gesteigert, die leicht mit dem Smartphone zu koppeln sind.
32 In einer vom Bundesministerium für Wirtschaft und Energie geförderten Publikation wird auf dieses
Geschäftsmodell verwiesen: »So kann […] ein Betreiber von Diagnosegeräten Daten über den gesamten
Bestand der in seiner Verantwortung betriebenen Geräte sammeln und auswerten und daraus neue Services,
z. B. einen Diagnosevorschlag, generieren.« Vgl. (acatech, 2014, S. 21).
33 Vgl. (­Bitkom 2013, S. 72f.).
29
30
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Nutzen von Big-Data-Anwendungen für Gesellschaft und Privatpersonen
Das Smartphone wird heute durch entsprechende Apps für Sportübungen, Lauftraining oder
täglichen Gesundheitscheck zum persönlichen Kontrollzentrum und zur Steuerzentrale für den
Einzelnen.
Im Detail können Zusatzgeräte für Pulsfrequenzmesser oder Pulsarmbänder mit Schrittzähler
leicht per Bluetooth oder über den Kopfhöreranschluss gekoppelt werden. Selbst über die integrierte Kamera ist die Pulsmessung möglich. Indikatoren wie Aufwach- und Einschlafzeiten,
zurückgelegte Schritte und gelaufene Kilometer lassen sich leicht erfassen und auswerten.
Ableitungen wie generelle Fitness, verbrauchte Kalorien und Gesundheitszustand im Vergleich
zu Referenzgruppen gleichen Alters, Geschlechts und Gewichts sind leicht umzusetzen.
Diese als Quantified Self bezeichnete Messung einzelner Vitalparameter des Menschen ist aber
als persönliche Feedbacklösung nicht nur für den Einzelnen wertvoll, um Gesundheitszustand
und Fitness zu überwachen.
Durch die digitale Übermittlung der anonymisierten Daten und Verarbeitung der einzelnen
Detaildaten in Cloud-Lösungen entsteht ein Zusatznutzen. Die Verarbeitung tausender von
Nutzungsprofilen und zehntausender Datenpunkte für einzelne Nutzer – Tageszeit, Wetter am
Erfassungsort, Puls und Bewegungsmerkmale sowie Schlafverhalten des Anwenders – ermöglicht die maschinelle Mustererkennung als Big-Data-Anwendung. So können Signale für Erkrankungen und Früherkennung von gesundheitlichen Gefährdungssituationen genauer als je zuvor
erfolgen.
Krankenkassen haben die Vorteile für ihre Mitglieder und die Kassen selbst erkannt und bieten
bereits spezielle Tarife für Nutzer an, die sich entsprechende Apps der Krankenkasse auf ihrem
Smartphone installieren.
Im Gegenzug zur Installation und dafür, dass die Krankenkassenmitglieder ihre Daten übermitteln, gibt es Einkaufs-Gutscheine und Rabatte. So vergibt zum Beispiel die Generali Versicherung
für gesundes Verhalten Gutscheine an ihre Mitglieder. Der Anbieter Discovery leitet den Ver­
sicherten medizinische Tipps und Ratschläge über eine App weiter. Für die Steigerung der täglichen
zurückgelegten Schritte gibt es Gutscheine. Einige Anbieter erwägen auch, Versicherungsbei­
träge zu reduzieren (vgl. Leitlinie 6).
Durch Gesundheits-Apps und den Einsatz von Big Data zur zentralen Aggregation, Auswertung
und Mustererkennung ergeben sich Vorteile für die Allgemeinheit, die Sozialeinrichtungen des
Staates, für Unternehmen und auch für den Einzelnen (vgl. Leitlinie 12).
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Nutzen von Big-Data-Anwendungen für Gesellschaft und Privatpersonen
4.4 Öffentlicher Bereich
Im öffentlichen Bereich können Big-Data-Technologien bei der Erfüllung vieler öffentlicher
Aufgaben helfen – wie etwa der Daseinsvorsorge, Stadtentwicklung und öffentliche Sicherheit.34
Großes Potenzial bieten Wirtschaftsförderung und Smart-City-Ansätze.35 Möglich sind auch
Anwendungen zur Abschätzung von Gesetzesfolgen36 oder zur Meinungsanalyse37.38 Vor dem
breiteren Einsatz von Big Data im öffentlichen Sektor39 braucht es klare rechtliche und ethische
Grenzen (vgl. Leitlinie 9).40
Katastrophenmanagement
Die Hochwasserschutzzentrale der Stadt Köln setzt mit Partnern aus Wissenschaft und Wirtschaft das Projekt Smart-Data-Katastrophenmanagement (sd-kama) um.41 Ziel des Projektes
sd-kama ist es, eine Informationsplattform aufzubauen, die ein effizientes Katastrophen­
management ermöglicht.42 Einsatzleitung und Einsatzkräfte erhalten in Echtzeit – im Krisenfall
zählt jede Minute – einen Überblick über die aktuelle Hochwasserlage (betroffene Gebiete,
Ausmaß der Schäden, Position der Rettungskräfte) sowie eine Prognose über die weitere Entwicklung (Katastrophenverlauf, Wettervorhersage). Diese Informationen erlauben es, lokale
Gegebenheiten zu berücksichtigen, Plausibilitäten zu prüfen und Entscheidungen zu priorisieren.
Momentan ermöglichen nur teure und zeitaufwändige Hubschrauberflüge ein solch zusammenhängendes Lagebild.
Das Herzstück von sd-kama bildet eine Smart-Data-Plattform, deren technischen und sicheren
Betrieb das Smart Data Innovation Lab übernimmt. Auf der Plattform werden Video- und Bild­
daten (YouTube, Instagram), Fernerkundungsdaten (Satelliten), Sensordaten (Pegelstände) sowie
Bestandsdaten (Kataster) zusammengeführt und analysiert. Die Informationen werden räumlich visualisiert und in das Flutinformations- und Warnsystem der Hochwasserschutzzentrale der
Stadt Köln eingebunden.
34 Bei Organisationen wie dem Deutschen Patent- und Markenamt gehört der Big-Data-Einsatz zum Kern­
geschäft – vgl. (Rülke, 2013).
35 Vgl. (Eckert et al, 2014).
36 Vgl. (­Bitkom 2015a), insbesondere Abschnitt 4.2 über »Kognitive Systeme zur Verbesserung öffentlicher
Entscheidungen? Einsatz in der Gesetzesfolgenabschätzung«.
37 Vgl. (Nold, 2013).
38 Vgl. (Eckert et al, 2014).
39 Vgl. dazu Kapitel 5.
40 Vgl. Fußnote 35.
41 Vgl. (Willkomm, 2014).
42 Vgl. auch Abschnitt 4.5.
31
32
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Nutzen von Big-Data-Anwendungen für Gesellschaft und Privatpersonen
Cybersecurity
Einen wichtigen Beitrag zur Sicherheit öffentlicher IT-Infrastrukturen leistet die Überwachung
der im IT-Betrieb generierten und mit Big-Data-Ansätzen ausgewerteten Maschinendaten. Dazu
gehört das Sammeln, die zentrale Aggregation, die Langzeitspeicherung, die Analyse der Log­
daten sowie die Suche in den Logdaten und daraus generierte Berichte.
Die Quellen und Formate der Logdaten sind vielfältig. Die Zentralisierung macht Daten verfügbar und im Zusammenhang auswertbar und bildet daher die Grundlage für die Überwachung
und Kapazitätsplanung des IT-Betriebs. Das gilt genauso für die Durchführung von Sicherheitsmaßnahmen oder die Protokollierung der Einhaltung von Richtlinien und Vorschriften.
Verdächtige Veränderungen oder Vorgänge möglichst rasch – am besten in Echtzeit – zu erkennen, ist der Anspruch der IT-Sicherheit. Die Auswertung von Logdaten bietet hier einen sehr
guten Ansatzpunkt. Unverzichtbar wiederum ist sie für den Nachweis oder die Spurensuche
nach Sicherheitsvorfällen.
Die Korrelation von Logdaten aus verschiedenen Quellen holt Zusammenhänge ans Licht, die
ansonsten verborgen sind. Big-Data-Technologien lassen sich in vielen Bereichen wie etwa für
das Aufspüren von hochentwickelten Bedrohungen, Insider-Angriffen oder der missbräuchlichen
Verwendung von Zugangsdaten nutzen.
Kriminalitätsvorbeugung
Innenministerien einzelner Bundesländer prüfen die Möglichkeiten, mit Methoden des Predictive
Policing bestimmten Delikten wie z. B. Wohnungseinbrüchen oder dem Entwenden hochwer­
tiger Pkw vorzubeugen.43 Die USA sowie einige europäische Länder (Niederlande, Schweiz) sind
Vorreiter in diesem Bereich.
Die Polizei prognostiziert mit Big-Data-Analysen Tatorte und Delikte. Auf Basis gesammelter
historischer Daten entwickelt sie dann Gegenstrategien. Dazu gehören beispielsweise
die verstärkte Präsenz von Ordnungshütern an Brennpunkten des kriminellen Geschehens.
Predictive Policing unterstützt die Polizei im Streifendienst.
IT-Sicherheit in künftigen Energienetzen
Big-Data-Ansätze tragen zur Gewährleistung der Sicherheit in künftigen Energienetzen bei.44
43 Vgl. Dieter Schürmann, Landeskriminaldirektor im Ministerium für Inneres und Kommunales des Landes
Nordrhein-Westfalen, auf einer Podiumsdiskussion über Cognitive Computing am 25. November 2014, B
­ itkom
Trendkongress.
44 Vgl. (Kemeröz/ Kremer 2015) sowie Abschnitt 4.1.
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Nutzen von Big-Data-Anwendungen für Gesellschaft und Privatpersonen
Intelligente Messsysteme (Smart Meter und Smart Meter Gateways) dienen dazu, den Energieverbrauch in jedem Haushalt in kurzen Zeitabständen zu messen, anzuzeigen und dem Energieversorger zu übermitteln. Auf Basis dieser Daten steuern Energieversorger gezielt und individuell
Erzeugeranlagen und Verbraucher.
Um zeitnah auf Schwankungen im Stromnetz reagieren zu können, müssen hunderttausende
Smart Meter Gateways im Stand-by-Modus auf verschlüsselte Befehle warten und diese dann
unmittelbar an intelligente Steuergeräte weitergeben, die Erzeuger- oder Verbraucheranlagen anbzw. abschalten. Erst damit wird ein schneller und direkter Datenaustausch ohne die vorherige
Verbindungsaufbauprozedur möglich. Bis zu zwölf Millionen Smart Meter Gateways sollen bis 2022
verbaut werden und auf Basis der vorgeschriebenen sicheren Infrastruktur kommunizieren.45
Umwelt-Monitoring
Die Biodiversität stellt eine der wichtigsten Grundlagen unseres Lebens dar. Das Monitoring der
Biodiversität hat als Zielsetzung, die Auswirkungen von Klimawandel und Landnutzungsänderungen auf die Vielfalt der Arten zu verstehen. Für ein aussagefähiges Monitoring sind ausreichende Daten und langfristige Beobachtungen notwendig. Für das Ökosystem der tropischen
Regenwälder betreibt das TEAM-Netzwerk (Tropenökologie, Bewertung und Monitoring) das
weltweit größte System von Kamerafallen (14 Länder, ca. 1.000 Kamerafallen auf einer Fläche von
über 2.000 km2) . Diese Kamerafallen erfassen systematisch das Vorkommen von terrestrischen
tropischen Säugetieren und Vögeln. Die primären Kameradaten liefern Trends zum Vorkommen
der erfassten Tierarten. Zusammen mit weiteren Einflussfaktoren wie Klima und Landnutzung
wird mithilfe statistischer Verfahren der Wildlife Picture Index ermittelt. Dank dieses Monitorings
können staatliche Stellen leichter ihren Überwachungs- und Schutzpflichten nachkommen.46
4.5 Vorhersage von Krisensituationen
Empirische Forschung in den Natur- oder Sozialwissenschaften ist auf die Verfügbarkeit von
Daten zur Theoriebildung angewiesen. Der Einsatz von Big-Data-Technologien ermöglicht
genauere Theorien und damit die Beantwortung von Fragestellungen mit bisher nicht bekanntem Detailgrad, insbesondere auch präzisere Vorhersagen von Krisensituationen. Beispiele
findet man in der Klimaforschung bei der Vorhersage von Extremwetterlagen sowie den Wirtschaftswissenschaften bei der Vorhersage von Finanzkrisen.
Unter dem Oberbegriff »komplexe Systeme« entwickelt sich aktuell in den Wissenschaften ein
neues Paradigma, das in Ergänzung bekannter Differentialgleichungsmodelle neuartige mathematische Modelle wie Netzwerke oder agentenbasierende Systeme zur Beschreibung von Vor­
gängen in Natur und Gesellschaft einsetzt. Parametrisiert durch große Datenmengen, erlauben
45 Vgl. (­Bitkom, 2015).
46 Vgl. (Bögershausen, 2014).
33
34
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Nutzen von Big-Data-Anwendungen für Gesellschaft und Privatpersonen
diese Modelle Vorhersagen, insbesondere von Extremsituationen mit Auswirkungen für die
gesamte Gesellschaft. Beispiele sind das Eintreten von Naturkatastrophen – Überflutungen47,
Trockenzeiten, Erdbeben – oder wirtschaftlichen Extremsituationen (Finanzkrisen). Durch die
zunehmende Verfügbarkeit von Daten, die Natur und Gesellschaft in bisher unbekannter Auflösung beschreiben, ergibt sich die Möglichkeit präziserer Theorien und damit besserer Vorher­
sagen. Diese ermöglichen es Politik, Wirtschaft und Gesellschaft, früher auf zu erwartende
Extremsituationen zu reagieren und dadurch gewaltige Schäden abzuwenden.
Klimaforschung
In der Klimaforschung ist der Umgang mit großen Datenmengen bereits seit Jahrzehnten üblich.
Datenbanken, die das globale Klima und lokale Wetterhistorie erfassen, sind notwendig, um
Vorhersagemodelle zu parametrisieren und ihre räumliche und zeitliche Auflösung zu erhöhen.
Nur so lassen sich die Interaktionen zwischen globalen und lokalen Dynamiken erfassen und
für frühzeitige Warnungen nutzbar machen. Beschränkungen in der Speicher- und Rechenkapazität limitieren hier nach wie vor die Genauigkeit. Durch den Einsatz von Big-Data-Technologien
in Kombination mit neuartigen Netzwerkmodellen ist es beispielsweise Wissenschaftlern am
Potsdamer Institut für Klimafolgenforschung gelungen, 90 Prozent der monsunbedingten
extremen Wetterereignisse mit teilweise verheerenden Auswirkungen in Südamerika wie Fluten
oder Erdrutschen vorherzusagen.48
Ähnliche Fortschritte ermöglicht Big Data bereits jetzt bei der Abschätzung der Effekte von
klimawandelbedingten Extremwettersituationen auf gefährdete Infrastrukturen wie Straßen,
Strom- oder Kommunikationsnetzwerke sowie unter Umständen bald bei der Früherkennung
von Erdbeben und Tsunamis.49
Vorhersagen von Finanzkrisen
Mit ähnlichem Grundansatz verfolgen ambitionierte sozial- und insbesondere wirtschaftswissen­
schaftliche Forschungsprojekte das Ziel, Muster beim Auftreten von Finanzkrisen zu identifizieren
und dadurch frühzeitig Warnungen zu geben. Die 2008 einsetzende Wirtschafts- und Finanz­
krise hat gezeigt, dass die Finanzmärkte zu Instabilität neigen und in kurzer Zeit extreme Fluktuationen entstehen können, welche die Weltwirtschaft enorm beeinträchtigen. Obwohl es gewichtige Einwände gibt, die gegen eine präzise Vorhersagbarkeit der Dynamik von Finanzmärkten
sprechen, ist es im Interesse der Allgemeinheit, zukünftig solche Extremereignisse zu vermeiden.
Unabhängig von der Frage, ob dies durch stärkere Regulation gelöst werden kann, ist klar, dass
dazu ein besseres Verständnis der zugrunde liegenden Dynamiken notwendig ist. Auch hier ist
Big Data relevant und wird bereits in der Forschung erprobt: Forscher der ETH Zürich haben
47 Vgl. das im Abschnitt 4.4 vorgestellte Projekt der Stadtverwaltung Köln zum Hochwasserschutz.
48 Vgl. (PIK, 2014).
49 Vgl. http://www.quakehunters.com, Satellite Big Data, Earth Observation & Internet System to reduce the
risk and damage of earthquakes.
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Nutzen von Big-Data-Anwendungen für Gesellschaft und Privatpersonen
beispielsweise in der FuturICT-Initiative50 die Konstruktion einer weltweiten Plattform für die
Erfassung und das Verständnis der digitalen Spuren menschlichen Verhaltens vorgeschlagen.
Dieses Observatorium soll Wissenschaftler in die Lage versetzen, nicht nur Finanzkrisen, sondern
auch politische Unruhen wie den arabischen Frühling und dadurch bedingte soziale Extrem­
situationen vorherzusagen. Während dieses EU-weit ausgelegte wissenschaftliche Großprojekt
bislang keine Förderung erhalten hat, existieren bereits einzelne Initiativen wie das Financial
Crisis Observatory51, die sich dem Finanzmarkt widmen.
4.6 Bildung und Qualifizierung
Intelligente Bildungsnetze, ausgestattet mit digitalen Inhalten, gebrauchstauglichen Lernumgebungen und Möglichkeiten zur sozialen Vernetzung und Kooperation über Institutionengrenzen
hinweg, unterstützen heute sowohl den Prozess des lebenslangen Lernens als auch das perso­
nalisierte Lernen des Einzelnen und von Gruppen in der formalen und informellen Bildung und
Qualifizierung. Die Erfassung, Speicherung und Verarbeitung großer Datenmengen über das
individuelle Lernverhalten und die Veränderung personaler Kompetenzen in hybriden Welten hat
dabei eine lange Tradition, ist verbindendes Element und wird für Erklärung und Prädiktion
genutzt. Learning Analytics-Methoden kommen zum Einsatz, welche einerseits die computerbasierte, automatisierte Anpassung digitaler Bildungsinhalte, Lernmethoden und Bildungsum­
gebungen an den Lernenden unterstützt, andererseits eine marktgerechte, nachfrageinduzierte
Realisierung von Unterrichts-, Studien- und Weiterbildungsangeboten für das lebenslange
Lernen ermöglicht.
Personalisierte Lernumgebungen
Zentrales Element personalisierter Lernumgebungen in einer digitalen Welt ist der Lernende
selbst. Ob formale Bildungsarrangements in Schule oder Hochschule oder informelle Qualifizierungssettings in der Lern- und Forschungsfabrik, am Arbeitsplatz im Unternehmen oder zu
Hause – im Mittelpunkt steht der aktive, selbstgesteuerte Lernende mit individuellen Voraussetzungen, eigenen Lernpräferenzen, Lernwegen, Lernzielen und letztlich auch individuell präfe­
rierten medialen Lernangeboten.
Intelligente Bildungsnetze unterstützen den Lernenden in personalisierten Lernumgebungen
durch die datenbasierte, computergenerierte Gestaltung und Anpassung von Zielstellung, Inhalt
und Methodik. Dabei werden die Auswahl und Präsentation digitaler Lernobjekte und das
didaktisch-methodisch begründete Vorgehen im Bildungsprozess von bekannten, lernrelevanten
Merkmalen des Lernenden beeinflusst und auf diese Weise der Lernprozess hochgradig indivi­
dualisiert. Grundlage jedweder Form der Gestaltung und Anpassung sind dabei alle relevanten
Daten des Lernenden, der Lernobjekte, der Lernumgebung, Veränderungen über die Zeit, die
50 Vgl. www.futurict.blogspot.de
51http://www.er.ethz.ch/financial-crisis-observatory/description.html
35
36
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Nutzen von Big-Data-Anwendungen für Gesellschaft und Privatpersonen
letztlich unterschiedliche Formen der Adaptivität ermöglichen. Schnittstellen-Adaptivität
(Modifikationen der Benutzeroberfläche), statistische Adaptivität (Modifikation der Lernumgebung an Wissensstand, Lerngewohnheit, Inhaltspräferenzen) und dynamische Adaptivität
(Modifikationen aufgrund des Nutzungs- und Lernpfades in einer Lernumgebung) sind konkrete
Ausprägungsformen.
Intelligente Wissensdienste, die in zunehmendem Maße, nicht zuletzt durch die Entwicklungen
rund um das Internet der Dinge, Dienst und Daten sowie Industrie 4.0 induziert, in Unternehmen
der Wirtschaft und Industrie, aber auch schon seit Ende der 1990er Jahre in Schulen und Hochschulen eingesetzt werden, können beispielhaft für die Adaptivität und Personalisierung von
Lernumgebungen an den Einzelnen betrachtet werden. Durch Analyse und Nutzung großer Datenbestände aus darin integrierten Modellbetrachtungen von Wissen, Lerner und Bildung werden
Anpassungen auf Basis von Methoden der Künstlichen Intelligenz ermöglicht. Das Wissensmodell
besteht aus dem in Lernobjekte strukturierten und mit Metadaten annotierten Lehr-Lern-Material.
Das Lernermodell wird zur datenbasierten, individuellen Fortschrittskontrolle herangezogen.
Und das Bildungsmodell erzeugt die Passung zwischen dem Wissensmodell und Lernermodell
basierend auf Daten u.a. zu Zielen, Präferenzen, Erfahrungen. Exemplarisch können die Projekte
APPsist52 und ALINA53 angeführt werden.
Educational Data Mining
Ein besseres Verständnis über das Verhalten von Lernenden in heterogenen Bildungs- und
Qualifizierungsumgebungen sowie über den Lebenslauf hinweg steht seit Mitte des letzten Jahrzehnts im Fokus des Educational Data Mining. Hier werden Methoden entwickelt, erprobt und
validiert, die einzigartige, spezifische Daten in großem Ausmaß von digitalen Bildungsszenarien
nutzen. Daten können dabei von Lernumgebungen, kollaborativen Werkzeugen, digitalen Lernobjekten oder auch vom Lernenden selbst kommen, etwa seine Kompetenzen und seine Expertise,
sein Lernfortschritt, aber auch sein Verhalten in Sozialen Netzwerken oder beim Besuch von
Informations- und Wissensplattformen, die frei im Internet zur Verfügung stehen.
Seit 2012 werden in Deutschland verstärkt die Interpretation von Lernenden im formalen Hochschulkontext betrachtet und unter dem Begriff »Learning Analytics« zusammengefasst. Lernfortschritte in digitalen Bildungs- und Qualifizierungsumgebungen werden gemessen, Studierendendaten erhoben, zukünftige Leistungen vorausberechnet und potenzielle Problembereiche
in der Bildung aufgedeckt. Dabei werden Daten aus Campus-Management-Systemen, LearningManagement-Systemen, Online-Assessment-Verfahren ebenso genutzt wie der individuelle
Nutzen von Informations- und Wissensdatenbanken und -systemen im privaten Kontext oder in
Sozialen Netzwerken. Daten werden aufeinander bezogen, aggregiert und analysiert. Nicht
selten stehen neben pädagogischen Überlegungen auch ökonomische und politische Aspekte
im Hintergrund. So geht es auch um die Effizienz- und Effektivitätsbetrachtung von Maßnahmen,
52 Vgl. http://www.appsist.de (abgerufen am 31. August 2015).
53 http://www.qualifizierungdigital.de/projekte/laufende-projekte/alina.html (abgerufen am 31. August 2015).
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Nutzen von Big-Data-Anwendungen für Gesellschaft und Privatpersonen
um Wirtschaftlichkeitsanalysen mit Bezügen zu Business Intelligence und Möglichkeiten des
Bildungscontrollings für Bildungsinstitutionen.
4.7 Finanzdienstleistungen
Bei Finanzdienstleistern werden Big-Data-Technologien zurzeit in erster Linie in der Kreditvergabe
sowie bei der Eindämmung von Betrug54 und Geldwäsche eingesetzt – für Verbraucher sehr
wichtige Einsatzgebiete.55
Einsatz von Big Data bei der Kreditbeschaffung
Im traditionellen Bankgeschäft werden seit vielen Jahren analytische Verfahren eingesetzt.
Diese erleichtern und objektivieren Kreditentscheidungen etwa beim Hauskauf oder im Bereich
der Verbraucherkredite. Big-Data-Analysen erlauben nun wesentliche genauere und schnellere
Entscheidungen. Durch die Auswertung von typischem Verhalten von Kreditausfällen lassen sich
gezieltere Vorhersagen zur Kreditwürdigkeit von Kunden treffen. Die damit gebauten Modelle
verhindern auch eine allzu schnelle Ablehnung aufgrund des Fehlens von starren Voraussetzungen,
sondern geben auf einer viel breiteren Basis ein genauere Bild über das voraussichtlich Zahlungsverhalten und damit des Risikos, das die Bank eingeht.
Eine Reihe von Start-up-Unternehmen in der Branche nutzen diese Big-Data-Technologien und
Datentöpfe aus, um neue Zielgruppen zu erschließen. Selbstlernende Algorithmen, die Informationen etwa aus Facebook oder anderen Sozialen Netzwerken mit Einwilligung des Kunden
einholen, erlauben eine automatisierte und schnelle Entscheidung über Kredite. Häufig handelt
es sich dabei um Volumina, die im traditionellen Bankgeschäft zu gering und mit zu hohen
Kosten für die Banken verbunden sind. Daher profitieren insbesondere bisher nicht mit Bankdienstleistungen versorgte kleine und mittelständische Unternehmen sowie Verbraucher
in Schwellen- und Entwicklungsländern von dieser Entwicklung.
Die Verbesserung des Kreditprozessen sorgt insgesamt dafür, den reibungslosen Ablauf der
Wirtschaft zu stärken sowie Verbraucherrechte zu wahren.
54 Auf dem 2. B
­ itkom Big Data Summit wurde von einer am Fraunhofer SIT entwickelte Methode zur Datenanalyse
in einem viele Millionen Einträge umfassenden Praxisfall bei Ernst & Young Fraud Investigation berichtet,
mit der bilanzbeeinflussende Unstimmigkeiten in den Finanzdaten einer großen Versicherungsgesellschaft
aufgedeckt wurden – vgl. (Winter/Mollat, 2014).
55 Big-Data-Konzepte unterstützen auch das Risikomanagement bei Finanzdienstleistern. Risikohinweise für
den Finanzmarkt sind in den täglichen hunderttausenden Nachrichten, Chats und Messages enthalten, die
sich inhaltlich analysieren und bewerten lassen. Vgl. (Klemm/Eckl 2015).
37
38
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Nutzen von Big-Data-Anwendungen für Gesellschaft und Privatpersonen
Aufdeckung von Versicherungsbetrug
Versicherungsbetrug und Geldwäsche locken raffiniert vorgehende kriminelle Kreise an, die sich
häufig sehr wirksam der Aufdeckung ihrer Betrügereien entziehen. Daraus erwächst die Herausforderung, durch Netzwerk-Analyse Zusammenhänge bei Finanztransaktionen in Echtzeit zu
erkennen.56, 57 Hier kommen Graphendatenbanken58 zum Einsatz. In Kombination mit den bewährten Betrugsbekämpfungsmethoden bieten sie Unternehmen umfassenderen Schutz vor Missbrauch. Auf diese Weise reduzieren Banken und Versicherungen den Kapitalausfall durch Missbrauchsschäden und können so ihre Einnahmen verbessern bzw. die Preise für ihre Dienstleistungen senken und damit ihren Kunden attraktivere Angebote unterbreiten.
4.8 Landwirtschaft
Die Bereitstellung von Nahrungsmitteln für eine auch weiter rasant steigende Weltbevölkerung
ist eine eminent politische Aufgabe. Insofern sind die Möglichkeiten des Big-Data-Einsatzes in
der Landwirtschaft von enormer gesellschaftlicher Relevanz, was ausgewählte Beispiele zeigen.
Steuerung von Landmaschinen
Als fortgeschrittener Nutzer von Big-Data-Technologien hat sich die Claas KGaA mbH einen Namen
gemacht. Das Unternehmen stattet seine Landmaschinen mit Sensoren und Messsystemen
aus, die einen Datenstrom erzeugen. Die Daten aus dem Entwicklungs- und Produktionsprozess
werden durch Telematics- und Betriebsdaten sowie Daten interner Systeme für die Ersatzteil­
bestellung oder Schadensmeldungsbearbeitung ergänzt. Aus der Erweiterung des zentralen
Datenpools durch Zusatzinformationen wie z. B. Wetterhistorien oder Bodenbeschaffenheitsdaten
entsteht ein Data Lake mit umfassenden Big-Data-Einsatzszenarien59.
Zur Ausweitung der Big-Data-Kompetenz im Unternehmen arbeitet die Claas KGaA mbH am
BMBF-Förderprojekt »Agata – Analyse großer Datenmengen in Verarbeitungsprozessen« mit,
das das Fraunhofer-Anwendungszentrum Industrial Automation (IOSB-INA) koordiniert. Es zielt
auf die Auswertung großer Datenmengen, die in Prozessen der Industrie und Landwirtschaft
anfallen. Im Projekt wird ein selbstlernendes Assistenzsystem entwickelt, das durch die Beobachtung komplexer Verarbeitungsprozesse in Industrie und Landwirtschaft Zusammenhänge
ermittelt und so Fehler, Anomalien und Optimierungsbedarf automatisch erkennt.60, 61
56 Vgl. (­Bitkom, 2015).
57 Vgl. (Stolberg, 2015).
58 Graphdatenbanken sind zur Abfrage verschlungener Netzwerke konzipiert – in Echtzeit, während der Betrug
stattfindet, und ohne vorher zu wissen oder zu ahnen, wer mit wem verbunden sein könnte.
59 Vgl. (Porzig/Vospeter, 2015).
60 Vgl. (Engeser, 2014).
61 Vgl. (Schreier/Litzel, 2014).
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Nutzen von Big-Data-Anwendungen für Gesellschaft und Privatpersonen
Ziel ist es, mit Hilfe der Big-Data-Analysen einen höheren landwirtschaftlichen Ertrag bei einer
Verringerung des Ressourceneinsatzes zu erreichen. Das wird in der Praxis etwa dadurch erreicht,
dass Düngemittel gezielter eingesetzt und Bewässerung besser auf die Wetterverhältnisse
abgestimmt ist
Optimierung von Wasser- und Düngerzufuhr für landwirtschaftliche
Kulturen – am Beispiel der Weinerzeugung in Kalifornien
Das kalifornische Weingut Shafer62 im Napa Valley zählt zu den Pionieren bei der datengestützten Industrialisierung des Weinbaus.63 So nutzt das Unternehmen, das seit 1972 Wein anbaut
und weltweit vertreibt, seit einigen Jahren unterschiedliche digitale Technologien, um die
Bewässerung und Düngemittelzufuhr auf seinen Anbauflächen zu optimieren. Denn so lassen
sich bei gleichbleibender Qualität deutlich höhere Erträge pro Hektar erwirtschaften. In den
Weinbergen von Shafer kommen Wetterstationen zum Einsatz, die das Wetter in den Weinbergen
per Sensor erfassen, über WLAN oder Satellit an einen zentralen Server senden und dann per
Web-Schnittstelle für den Winzer bereitstellen. Die Wetterstationen messen unter anderem
Temperatur, Luftfeuchtigkeit, Sonneneinstrahlung und Bodenfeuchtigkeit. Zudem bietet das System
die Auswertung historischer Wetterdaten, anhand derer der Winzer langfristige Trends erkennen
und seine eigenen Entscheidungen justieren kann. Zudem kommt im Weinberg von Shafer eine
Sensor-Technologie zum Einsatz, die direkt an den Weinreben Daten aufnimmt und per Wifi in ein
zentrales Analysesystem leitet. Anhand des Beispiels wird deutlich, dass auch in einer der ältesten Branchen der Welt die Digitalisierung nicht mehr aufzuhalten ist und große Datenmengen
anfallen, die althergebrachte Traditionen in Frage stellen oder ergänzen. Die kalifornischen Winzer
der nächsten Generation setzen zunehmend auf eine Verbindung von Erfahrung und Data
Science, um gute Weine zu produzieren und hohe Erträge zu erwirtschaften.
4.9 Connected Car – aus Sicht privater Nutzer
Sensor-, Cloud- und Big-Data-Technologien bilden die Grundlage für autonome Fahrzeuge und
lassen tiefgreifende Veränderungen in der Ausgestaltung von Mobilitätslösungen erwarten.
Zurzeit testen führende Automobilhersteller Modelle, die in fünf oder sechs Jahren auf den
Markt kommen werden. Die futuristischen Fahrzeuge lenken, fahren und bremsen allein,
gesteuert von Kameras, Sensoren und Laserscannern. Damit hat die Digitalisierung endgültig
die Automobilindustrie erobert. Big-Data-Technologien ermöglichen die schnelle Verarbeitung
und Auswertung vielfältiger Informationen sowie den Einsatz riesiger Datenmengen für die
Prognose des Verkehrsflusses (vgl. Leitlinie 7). Das revolutioniert die Verkehrssteuerung. Das
Auto wandelt sich stärker zum Arbeits- oder Lebensraum.
62 http://www.shafervineyards.com/story/index.php (abgerufen am 31. August 2015).
63 Vgl. http://www.theverge.com/2013/8/19/4636190/winemakers-turn-to-web-sensors-as-some-still-use-feetp
(abgerufen am 31. August 2015).
39
40
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Nutzen von Big-Data-Anwendungen für Gesellschaft und Privatpersonen
Neben dem Austausch von Informationen zwischen zentralen Stellen und den Fahrzeugen
(vgl. Leitlinie 8) können diese auch direkt miteinander kommunizieren (Car-to-Car-Communication)
und so die Vorfahrt regeln oder vor Hindernissen warnen. Autonome Autos haben somit weit­
reichende Folgen auf die Gesellschaft (vgl. Tabelle 1):
Tabelle 1: Gesellschaftliche Implikationen autonomer Fahrzeuge
Folgen
Erläuterung
Mehr Sicherheit
Auch Maschinen sind mit technischen Mängeln behaftet, aber insgesamt ist die
Fehlerquote der Maschinen deutlich geringer als die der Menschen. Schon die heutigen
Assistenzsysteme haben den Verkehr deutlich sicherer gemacht. Umgekehrt ist es
allerdings sicher so, dass bei Unfällen der Autopilot kritisch hinterfragt und untersucht
wird, ob z. B. der Automobilhersteller ein Mitverschulden hat.
Weniger Staus
Wenn nur zehn Prozent aller Fahrzeuge regelmäßig ihre Geschwindigkeit und Position
weitergeben, können autonome Autos vorausschauend fahren und Staus vermindern.
Die Kapazitäten der Fahrbahnen werden deutlich steigen.
Weniger
Verbrauch
Indem autonome Autos optimal schalten, Gas geben und bremsen, können sie mit
deutlich weniger Treibstoff auskommen.
Mehr Komfort
Autonome Autos können die Nachteile von Carsharing gegenüber der Nutzung des
eigenen Autos eliminieren. Wenn sich Mietwagen per Smartphone bestellen lassen und
sich am Ziel selbst eine Parklücke suchen, spart der Benutzer sowohl den Weg zur
Carsharing-Station als auch die Suche nach einem Abstellplatz.
4.10 Digitale Einkaufswelten
Das Internet der Dinge und Big Data dringen schrittweise von der Produktionskette bis an die
Ladentheke. Big Data gibt dem (Online-)Händler Werkzeuge in die Hand, die potenziellen Käufer
mit individuellen Angeboten zu adressieren und bis zur Kaufentscheidung zu begleiten. Neueste
Entwicklungen tragen zur Verminderung von Retouren bei64 – im Interesse des Einzelnen und
der Gesellschaft gleichermaßen.
Outdoor Analytics
Big Data erleichtert die Mobilitätsforschung und -kontrolle.65 Wo Personenströme von Bedeutung sind, wird verlässliche Planung zur Herausforderung:
◼◼
Wie viele Menschen gehen pro Tag an meinem Schaufenster vorbei?
◼◼
Wo ist der (Nah-)Verkehr besonders ausgelastet?
◼◼
Wo ist der beste Platz für eine Werbetafel?
64 Vgl. (Bruysten, 2015).
65 Erinnert sei an die Massenpanik bei der Love-Parade in Duisburg im Jahre 2010 mit 21 Toten.
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Nutzen von Big-Data-Anwendungen für Gesellschaft und Privatpersonen
Solche Fragen ließen sich bisher nur mit aufwendigen Handzählungen und rückblickend beantworten. Mit Big Data in Verbindung mit Lokationsdaten (vgl. Leitlinie 10) sind schnelle Antworten
möglich. Informationen über Verkehrsströme – angereichert mit zusätzlichen Informationen –
lassen sich für die zielgerichtete Verbraucheransprache nutzen. Den Verbrauchern erleichtern
solche Informationen die Orientierung in für ihn neuen Regionen. Entsprechend ihren Vorlieben
und aktuellen Bedürfnissen erhalten sie Informationen über Hotels, Restaurants, aktuelle
Angebote oder Freizeitmöglichkeiten. Früher oftmals zeitaufwendige organisatorische Fragen
lassen sich nun zügig erledigen und neue kurzfristige Angebote in Erfahrung bringen.
Indoor Analytics – Optimierte Einkaufswege
Einkaufszentren werden mitunter als Irrgärten empfunden. Die Orientierung per Smartphone
funktioniert bislang nicht. Neue Techniken können nun Abhilfe verschaffen. Die Verbraucher
vermeiden Umwege, wenn sie in Kauf nehmen, dass die Anbieter Bewegungsprofile erstellen.
Unternehmen mit Verkaufsräumen stellen sich immer wieder die gleichen Fragen:
◼◼
Welchen Weg nehmen die Verbraucher durch das Geschäft?
◼◼
Vor welchem Aufsteller bleiben sie wie lange stehen?
◼◼
Welches Angebot zieht die meisten Interessenten an?
Big Data in Verbindung mit Lokationsdaten ermöglicht die Auswertung von Kundenbewegungen
in Verkaufsräumen oder Einkaufszentren in Echtzeit und somit die Optimierung von Verkaufsräumen und Sortimenten. Der Verbraucher profitiert von Informationen, die ihm – entsprechend
seinen Vorlieben oder angegebenen Wünschen – zur Verfügung gestellt werden: Wo und zu
welchen Konditionen sind bestimmte Produkte verfügbar. Ein Routenplaner sichert kurze Wege.
4.11 Online-Marketing und Nutzen von Big Data für Verbraucher
Big Data trägt zur Erhaltung eines kostenfreien, da werbefinanzierten Angebots-Ökosystems im
Internet bei. Verbraucher profitieren von qualitativ hochwertigen und kostenfreien Inhalten,
Dienstanbieter von optimierten Erträgen aus der Bereitstellung ihrer Services. Die Erfassung,
Aggregation und Aussteuerung von Daten und Werbeinhalten erfolgt datenschutzkonform
und anonymisiert.
Seit Verbraucher das Internet stärker nutzen, steht die Frage im Raum, wie die Bereitstellung von
Informationen und Services wirtschaftlich genutzt werden kann. So sollte für Anbieter ein Anreiz
bestehen, qualitativ hochwertige und aktuelle Informationen sowie wertvolle und nutzenstiftende Services bereitzustellen.
Online-Marketing ist ein substantieller Bestandteil des Internets, da die meisten Nutzer kostenfreie Inhalte wünschen. Als Gegenwert stehen Werbeeinblendungen in unterschiedlicher Form.
Ohne Werbung ist also kein kostenfreier Inhalt im Internet denkbar (vgl. Leitlinie 11).
41
42
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Nutzen von Big-Data-Anwendungen für Gesellschaft und Privatpersonen
Viele Jahre war Online-Werbung als Baustein für die Finanzierung von Online-Diensten kein
brauchbares Instrument, weil die technischen Lösungen für die zielgerichtete Ansprache der
Nutzer fehlten. Das hat sich nun mit Entwicklungen wie Programmatic Advertising und Real
Time Bidding geändert. Basierend auf der Auswertung des anonymisierten Nutzungsverhaltens
von Online-Nutzern können mittlerweile in Echtzeit Gebote auf einzelne Werbeeinblendungen
abgegeben werden, ohne dass die beworbene Person dem Werbenden bekannt ist. Die Auswertung des Nutzungsverhaltens einzelner anonymer eindeutiger Schlüsselwerte wie Cookies im
Browser des Endnutzers oder Advertiser-IDs in Apps auf Smartphones erlaubt die bestmögliche
Platzierung von Werbung für den jeweiligen Nutzer im entsprechenden Nutzungskontext.
Die anonymisierte, datenschutzkonforme Auswertung von ca. 100 Milliarden Werbeeinblendungen
am Tag führen spezialisierte Anbieter für werbende Unternehmen durch. Mit maschineller
Mustererkennung lässt sich der zugrundeliegende Algorithmus für die Abgabe von Geboten
fortwährend verbessern. Das Echtzeit-Bietsystem lernt selbständig. So wird sichergestellt, dass
zum Beispiel die Werbung für ein neues Automodell auch einen Nutzer erreicht, der vermutlich
gerade Interesse an einem Fahrzeugkauf hat. Die Vorteile sowohl für den Verbraucher, als auch
für den Werbenden liegen auf der Hand. Der Verbraucher wird von unsinniger, breit gestreuter
Werbung ohne Bezug zu seinen Präferenzen verschont, während der Werbende die richtigen
Nutzer zur richtigen Zeit anspricht.
Werbetreibende sind bereit, für zielgerichtete Werbung an die passende Zielgruppe höhere
Preise zu zahlen. So entsteht eine bessere Grundlage für den nachhaltigen Betrieb von
Online-Services ohne Zusatzkosten für den Verbraucher.
4.12 Industrie 4.0
Big-Data-Technologien leisten einen unverzichtbaren Beitrag für Industrie 4.0.66 Sie beeinflussen
insbesondere die vier Bereiche Smart Factory, Smart Operations, Smart Products und Smart
Service.
66 Vgl. (Roland Berger/BDI, 2015) sowie (McKinsey, 2015). Die Die McKinsey-Studie identifiziert fünf Handlungsfelder, auf denen Industrieunternehmen nun aktiv werden sollten: Handlungsfeld 1 lautet: »Daten besser
nutzen«: Unternehmen sollten die komplette Wertschöpfungskette und den gesamten Lebenszyklus eines
Produkts digital abbilden. Bisher wird nur rund ein Prozent der in der Produktion anfallenden Daten genutzt –
ein enormes Potenzial liegt damit brach.
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Nutzen von Big-Data-Anwendungen für Gesellschaft und Privatpersonen
Industrial Leadership
Physisch
Industrie
4.0
Smart Factory
Virtuell
Smart Operations
Sensoren schaffen erhöhte Transparenz und eine
erweiterte Planungsfähigkeit
Die vernetztte Produktion ermöglicht eine flexible
Produktionsplanung und -steuerung
Stichworte: Augmented Reality, RFID & AUtoID, CPS
Stichworte: CPPS, Concurrent Engineering, M2M,
Kybernetische Produktion
Big Data
Smart Products
Smart Service
Das Produkt denkt mit und steht auch nach dem
Verkauf mit dem Hersteller in Verbindung
Durch die Vernetzung von Produkt und Hersteller
eröffnen sich neue Märkte für Dienstleistungen
Stichworte: digitaler Produktlebenslauf (RFID),
Kommunikation und Schnittstellenstandards
Smart
Service
Welt
Stichworte: Product-Service-Systems, Hybride Produkte, Service Engineering, Service-Plattformen
Erweiterung des Leistungsspektrum
Abbildung 1: Big Data als Motor für Industrie 4.067
Big Data gilt als eine der Triebkräfte für die vierte industrielle Revolution (Industrie 4.0). Die
Möglichkeit, große und inhomogene Datenmengen zu erfassen und praktisch in Echtzeit zu
verarbeiten, lässt die Digitalisierung der Industrie in absehbarer Zukunft zur Realität werden.
Der Einfluss von Big Data wird in vier Bereichen68 evident (vgl. Abbildung 1). Zum einen ermöglicht es flexible und intelligente Fabriken (Smart Factory, Smart Operations), zum anderen äußert
sich der Einfluss in den damit verbundenen qualitativ neuen Produkten (Smart Products) und
Dienstleistungen (Smart Service) (vgl. Tabelle 2).
Tabelle 2: Einflussbereiche von Big Data
Einflussbereich
Erläuterung
Smart Factory
Die Ausstattung der Fabriken mit einer Vielzahl von Sensoren steigert zunächst die
akquirierte Datenmenge und bei richtiger Verarbeitung auch die Transparenz. Ein Ziel
dabei ist, die Realität der Produktion möglichst mit einem scharfen digitalen Schatten
abzubilden, um eine möglichst genaue Produktionsplanung und folglich auch eine hohe
Liefertermintreue zu gewährleisten. Mit einer Planungssicherheit im Rücken lassen sich
Kunden dazu einladen, die Fertigung des gekauften Produktes (z. B. Auto, Motorrad, …)
unmittelbar mitzuerleben.
67 Quelle: FIR an der RWTH Aachen.
68 Die Deutsche Akademie der Technikwissenschaften treibt die vier Bereiche mit ihren umfassenden Initiativen
»Industrie 4.0« und »Smart Service Welt« voran.
43
44
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Nutzen von Big-Data-Anwendungen für Gesellschaft und Privatpersonen
Einflussbereich
Erläuterung
Smart
Operations
Eine Ausstattung der Produktion mit Sensortechnik eröffnet zudem neue Arten, die
Produktion virtuell zu vernetzen. Dadurch lässt sich die Flexibilität steigern. Und weitere
Einflussfaktoren, wie beispielsweise Energieverbrauch (und Anbindung an das Smart
Grid), können berücksichtigt werden. Mit der Zustandsüberwachung von Maschinen wird
frühzeitig vor bevorstehenden Ausfällen gewarnt. Bei unvorhergesehenen Ausfällen
kann das vernetzte Produktionssystem schnell und flexibel mit Auftragsverschiebung
reagieren, ohne dabei die Einflussfaktoren der Zielvorgabe außer Acht zu lassen.
Smart Products
Neben der intelligenten Fabrik wird auch das Produkt mit Intelligenz ausgestattet – beispielsweise über die Anbindung an eine Datenplattform. Das Verlassen des Firmengeländes unterbricht nicht zwangsweise den Kontakt zum Hersteller. Vielmehr erhält der
Hersteller weitere wertvolle Daten und Informationen über den Einsatz. Mithilfe von
intelligenten Auswertungen können Produkte besser auf die Kundenwünsche zugeschnitten werden. Und häufig auftretende Fehler helfen der Entwicklungsabteilung bei
der Produktoptimierung.
Smart Service
Die neue Intelligenz sowie die Verfügbarkeit von Daten über die Produkte und ihre
Nutzer lassen ergänzende Dienstleistungen oder sogar komplett neue Geschäftsmodelle
entstehen69. Denkbar wäre beispielsweise, dass Kunden teure Maschinen nicht mehr
selbst erwerben, sondern ihre Funktionalität »as a service« in Anspruch nehmen. Der
Hersteller würde dann die Maschine zur Verfügung stellen, sich um ihre Funktionsfähigkeit kümmern und einen vertraglich fixierten Betrag pro produzierter Einheit erhalten.
Eine Auswertung der gewonnenen Daten kann zudem zu weiteren Optimierungen der
Maschine sowie der anknüpfenden Services führen.
Insgesamt wird deutlich, dass Big-Data-Technologien einen unverzichtbaren Beitrag für
Industrie 4.0 leisten.
4.13 Telekommunikation
Mit Big-Data-Technologien erhöhen die Telekommunikationsunternehmen die Leistungsfähigkeit ihrer Infrastruktur. Sie können außerdem anonyme Bewegungsmuster ihrer Kunden
erzeugen, die bei der Verkehrsplanung und steuerung auf allen Ebenen sowie bei der Bewältigung zahlreicher weiterer, gesellschaftlich relevanter Problemstellungen hilfreich sind.
Der Mehrwert von Big-Data-Analysen für die Telekommunikation ergibt sich im Wesentlichen
aus zwei Wertschöpfungsmodellen:
◼◼
Das erste Modell verbessert den Geschäftsbetrieb von Telekommunikationsunternehmen. So
lässt sich z. B. die Leistungsfähigkeit der Telekommunikationsinfrastruktur unter Verwendung
von Big Data signifikant steigern.
◼◼
Beim zweiten Modell geht es um die Optimierung von Wertschöpfungsprozessen bei
Geschäftskunden und um die Steigerung gesellschaftlich wünschenswerter Effekte.
69 Vgl. (­Bitkom, 2015).
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Nutzen von Big-Data-Anwendungen für Gesellschaft und Privatpersonen
Dynamische Analytics-Lösungen nutzen die Fähigkeit von Telekommunikationsunternehmens,
Bewegungsmuster zu erstellen, die auf Lokationsdaten der Teilnehmer sowie auf CRM-Daten
basieren und mittels statistischer Methoden Bewegungsströme darstellen können. Verkehrsbetreiber70 erhalten so wichtige Informationen für die Bedarfsplanung und Steuerung.
4.14 Verbesserung des Datenschutzes in Rechenzentren
Big-Data-Ansätze sichern die Überwachung der Einhaltung von Datenschutzrichtlinien in
Rechenzentren.
Was passiert mit Daten, wenn ein Kunde sie einem Unternehmen übermittelt?
Die übermittelten Kundendaten werden für zukünftige Verarbeitungsschritte erst einmal gespeichert. Die Speicherung erfolgt meist zentral in einem Rechenzentrum – zusammen mit den
Daten anderer Kunden, um diese effizient über unterschiedlichste Abfragemöglichkeiten in
Zusammenhang zu bringen.
Innerhalb eines Rechenzentrums sind viele Mitarbeiter für den ordnungsgemäßen Betrieb
zuständig. Um sicherzustellen, dass sie nur die ihnen übertragenen Tätigkeiten mit den übermittelten Daten durchführen, muss jede mögliche Interaktion überwacht werden. Die Interaktionen
variieren zwischen genau definierten bis hin zu völlig freien Zugriffsmöglichkeiten. Je weniger
definiert ein Zugriff stattfindet, desto weniger strukturiert werden die Überwachungsdaten
abgelegt. Dies kann sich von Text- über Audio- wie auch Videodaten erstrecken.
Das soll anhand realistischer Zahlen eines IT-Providers für Finanzdienstleister verdeutlicht
werden: Das Unternehmen hat 3000 Mitarbeiter, ebenso viele Arbeitsplätze, 150 unterschiedliche
Tools (wie z. B. für Datenbanken, Auswertungen, Betriebssysteme, etc.), 1000 Server und viele
der Mitarbeiter haben einen VPN-Zugang, der einen 7x24h-Zugriff ermöglicht. Jeder Mitarbeiter
hat ein bestimmtes Benutzerprofil, über das seine Zugriffsmöglichkeiten so beschränkt sind,
dass er seine alltägliche Arbeit durchführen kann. Alle Interaktionen aller Mitarbeiter mit allen
oben genannten Elementen werden geloggt – dies beinhaltet auch die daraus resultierenden
Ergebnisse. Diese Daten werden historisiert, um bei einer Meldung bzw. automatisierten Erkennung eines Vorfalles alle Beweisdaten zu haben.
Die Herausforderung besteht nun darin, aus dieser großen, unstrukturierten Datenmenge zu
erkennen, welche Operationen die Benutzer mit den Daten vorgenommen haben und ob sie
dazu berechtigt waren.
Berechtigt ist nur, wer einen Auftrag hat. Ein Auftrag kann ein Projekt sein oder aber auch eine
Fehler- bzw. Wartungssituation. Der Zusammenhang zwischen einer durchgeführten Tätigkeit
70 Vgl. Abschnitt 4.2 und Abschnitt 4.10.
45
46
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Nutzen von Big-Data-Anwendungen für Gesellschaft und Privatpersonen
mit Datenzugriff und einem Auftrag muss gegeben sein. Ansonsten hat der entsprechende
Mitarbeiter mit arbeitsrechtlichen Konsequenzen und im schlimmsten Fall mit straf- oder
zivilrechtlichen Verfahren zu rechnen.
Auch mit der heutigen Technologie ist es nicht möglich, eine 100-prozentige Vollständigkeit der
Überwachung zu gewährleisten. Deshalb werden manuelle Prüfungen durchgeführt, die über
einen Zufallsgenerator ausgewählt werden.
Bei der Überwachung der Einhaltung von Datenschutzrichtlinien wird Big Data im Interesse der
Kunden eingesetzt.
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Nutzen von Big-Data-Anwendungen für Gesellschaft und Privatpersonen
47
5
Bisher ungenutzte Chancen
beim Einsatz von Big Data
50
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Bisher ungenutzte Chancen beim Einsatz von Big Data
5Bisher ungenutzte Chancen beim
Einsatz von Big Data
In anderen Ländern werden Big-Data-Anwendungen für Aufgaben eingesetzt, bei denen in
Deutschland besondere Rahmenbedingungen gelten, die bisher dem Einsatz entgegenstanden.
Es steht die Frage im Raum, ob diese Rahmenbedingungen für alle Ewigkeit unverrückbar
bleiben müssen, wenn sie sich als Hemmschuh im globalen Wettbewerb der Wirtschaftsstandorte erweisen.
Mehr Transparenz – mehr Akzeptanz
Jeder neuen Technologie schlägt Skepsis entgegen, schließlich ging es ja vorher auch ohne.
Zudem stellt sich leicht ein Unbehagen gegenüber dem Unbekannten ein. Im Bereich Big Data
gilt das in besonderem Maße. Alle Bedenken sind ernst zu nehmen und können in der Diskussion
letztlich nur förderlich sein. Mehr Transparenz71 kann zu mehr Akzeptanz führen und schließlich
dabei helfen, die positiven Potenziale von Big Data zu heben – und damit sind nicht nur wirtschaftliche Vorteile einzelner Unternehmen gemeint, sondern auch allgemeine Produktivitätssteigerungen und gesamtgesellschaftliche Fortschritte.
Öffentliche Verwaltung
Im Bereich der Steuereinnahmen herrscht in Deutschland eine föderale Zuständigkeit, die zu
unterschiedlichen Auslegungsvorschriften je nach Bundesland führen. Wichtiger noch als die
subjektiv empfundenen Ungleichbehandlungen, etwa in der Verfolgung von einzelnen Steuersäumigen, sind jedoch kriminelle Ansätze, die auf die fehlende Gesamtsicht setzen. Sogenannte
Umsatzsteuerkarusselle lassen sich durch eine geschickte Konstruktion so leichter als in anderen europäischen Ländern aufbauen. Durch ein Netz von verteilten Firmen werden Vorsteuer und
Steuererstattungen so verschachtelt und verzahnt, dass am Ende dem Staat nicht nur Steuern
entgehen, sondern womöglich sogar mehr Steuern erstattet werden, als in einem entsprechenden
Geflecht überhaupt gezahlt wurden. Eine komplette Datenerhebung aller steuerlichen Sach­
verhalte ließe sich sehr viel einfacher mittels analytischer Verfahren auf verdächtige Muster und
Zusammenhänge hin untersuchen. In Deutschland ist der Aufwand ungleich höher – die Schlupf­
löcher mithin größer.
Soziales
Eine der größten Errungenschaften des modernen Staats sind seine Sozialleistungen. Mit Hilfe
analytischer Methoden können der Missbrauch von Sozialleistungen verringert und Ausgaben
vermieden werden. So könnte es gelingen, durch ein aktives und fokussiertes Eingreifen, zum
Beispiel durch gezielte Fördermaßnahmen oder spezifische Bildungsangebote bereits im Vorfeld
einschlägige »Karrieren« zu verhindern. Jeder erfahrene Sozialarbeiter kennt die maßgeblichen
71 Vgl. dazu Abschnitt 7.3 und 7.4.
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Bisher ungenutzte Chancen beim Einsatz von Big Data
auslösenden Faktoren – mit Big Data Analytics ließen sich bereits deren erste Anzeichen erkennen. Was in Frankreich und anderswo möglich ist, scheitert in Deutschland am Datenschutz
(vgl. Leitlinie 12). Übrigens gilt das genauso wie der Zeitverzug beim Bekanntwerden von Missbrauchsfällen von Leistungsbezug. Wären hier mehr Systeme integriert und mit automatischen
Alertfunktionen ausgestattet, ließe sich so manche Auszahlung vermeiden.
Gesundheit
Der Bereich Gesundheit ist höchst sensibel und verdient besonderen Schutz. Umgekehrt erwartet
jeder Patient die bestmögliche Behandlung in seinem konkreten Fall. Nun gibt es gerade in
diesem Bereiche eine Unmenge von Daten: Verschreibungsinformationen, Diagnosen, Verlaufs­
protokolle, Medikamentenwirksamkeitsstudien und so weiter. Diese Daten »gehören« jedoch
unterschiedlichen Institutionen und können deshalb auch nicht so einfach gemeinsam ausgewertet werden. Wäre dies möglich, könnten anhand der Millionen Datenpunkte, die etwa im
Bereich des Morbi RSA72 anfallen, funktionierende von nicht funktionierenden Behandlungsmustern getrennt werden (vgl. Leitlinie 7 und Leitlinie 10). Zumindest ließe sich mit einer signifi­
kanten Wahrscheinlichkeit sagen, welche Behandlung »normalerweise« Erfolg verspricht und
welche »fast nie« wirkt. Welche Entscheidung der Arzt in seinem konkreten Fall trifft, dürfte
selbstverständlich nicht determiniert werden. Aber wären nicht alle Patienten dankbar, von den
Erfahrungen »aller« anderen vergleichbaren Fälle zu profitieren (vgl. Leitlinie 12)?
Hinderungsgründe
Fasst man diese und weitere Beispiele zusammen, ergeben sich zwei wesentliche Hinderungsgründe:
◼◼
Zweckbindung73 im Bundesdatenschutzgesetz74:
Der Reiz und der Mehrwert vieler Big-Data-Projekte entsteht im explorativen Erforschen und
Kombinieren bisher getrennt erfasster Einzeldatenbestände. Damit lassen sich Fragestellungen
nach dem Zusammenhang von Wetter (Temperaturdaten) und Abverkauf von Eiscreme
beantworten. Bei personenbezogenen Daten fehlt (bisher) oft ein gesetzlicher Erlaubnistat­
bestand, der eine nachträgliche Verwendung für andere Zwecke, als ausdrücklich bei der
Erfassung abgefragt, ohne die ausdrückliche Einwilligung legitimiert (vgl. Leitlinie 4). Das führt
dazu, dass bestehende Datenbestände in vielen Fällen nur anonymisiert oder mit einer neuen
Einwilligung ausgewertet werden können. Beides ist in der Praxis oft nur schwer zu leisten.
◼◼
Starke Anforderungen an Anonymisierung75:
Der übliche und häufig verfolgte Ausweg bei nicht ausreichenden Einwilligungen ist die
72 Risikostrukturausgleich der gesetzlichen Krankenkassen.
73 Vgl. dazu Abschnitt 9.
74 Vgl. http://www.gesetze-im-internet.de/bdsg_1990 (abgerufen am 31. August 2015).
75 Vgl. dazu Abschnitt 9.
51
52
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Bisher ungenutzte Chancen beim Einsatz von Big Data
Anonymisierung von personenbezogenen Daten. Dann sind zwar im Anschluss auch keine
personenbezogenen Handlungen im engeren Sinne möglich, wohl aber lassen sich Ver­brau­cher­
an­sprachen zusammenfassen und optimieren. Rechtlich ist allerdings in Deutschland schon
nicht zweifelsfrei geklärt, ob man vorhandene Daten ohne weiteres für eine weitere anonyme
Nutzung anonymisieren darf oder ob für den Vorgang der Anonymisierung eine eigene
Rechtsgrundlage benötigt wird. Technisch lassen sich Anonymisierungen auf verschiedene
Arten realisieren. Wenn die Fallzahl von nachträglich gebildeten Gruppen zu klein werden,
lassen sich unter Umständen wieder reale Personen zuordnen , so dass die Daten nach den
geltenden rechtlichen Anforderungen allenfalls als pseudonymisiert, aber nicht als anony­
misiert gelten. Die Verarbeitung von pseudonymen Daten wird nach geltendem Datenschutzrecht derzeit kaum privilegiert, obwohl die Pseudonymisierung in Kombination mit technischen und organisatorischen Maßnahmen (zum Schutz vor De-Identifizierung) resultierende
Risiken für betroffene Personen maßgeblich reduziert.76
Lösungsansätze
◼◼
Woran es derzeit in Deutschland mangelt, sind vertrauenswürdige Organisationen (DatenTreuhänder), die Datenbestände von zwei Parteien aufnehmen und jeder Partei das
»Gold« aus den Daten (anonymisiert) zurückgibt, um daraus neue digitale Geschäftsmodelle
für beide Seiten zu erstellen77 (vgl. Leitlinie 12).
◼◼
Auch fehlt es an erprobten Technologien, die diese Anonymisierung und Pseudonymisierung
so einfach machen, dass es für alle Beteiligten transparent und handhabbar bleibt. Erfol­
gversprechende Ansätze beziehen auch Hardwarekomponenten mit ein oder arbeiten mit
ausgefeilten Zertifikathierarchien.
◼◼
Technische Leitlinien und anerkannte Standards zur Anonymisierung und Pseudonymiserung
sind (weiter) zu entwickeln, um einen Maßstab für alle Beteiligten zu schaffen, an der die
Qualität der Anonymisierung und Pseudonymiserung rechtssicher gemessen werden kann.
◼◼
Die wichtigste Errungenschaft allerdings wäre ein modernes Datenschutzrecht, das den
tatsächlichen Gepflogenheiten der Gegenwart Rechnung trägt und einen möglichst global
einheitlichen Raum definiert (vgl. Leitlinie 12 und Kapitel 9).
76 Ein Beispiel soll das verdeutlichen: In der Erforschung von bisher nicht entdeckten Nebenwirkungen von
Arzneimitteln lassen sich anonymisierte Daten verwenden. Auf diese Dienstleistung spezialisierte Anbieter
aggregieren solche Daten und durchforsten sie nach Zusammenhängen. Hier kommt es immer wieder zu
Rechtsstreitigkeiten bei der Frage der Qualität der Anonymisierung. Oft ist die Möglichkeit der De-Iden­ti­fi­zie­
rung bei derartigen Projekten im Interesse des Patienten auch gewünscht, da Erkenntnisse der Forschung
u. a. für die Therapie des Patienten verwendet werden können. Auch hier kann die erleichterte Nutzung
von pseudonymen Daten Lösungsmöglichkeiten eröffnen.
77 Diesen Service bietet als einer der wenigen Anbieter die Seculytics GmbH. Der Lösungsansatz besteht im
Privacy-Preserving Data Mining mit strikt getrennten Datentöpfen.
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Bisher ungenutzte Chancen beim Einsatz von Big Data
53
6
Bedeutung der Datenwirtschaft in der zukünftigen
Wirtschaft
56
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Bedeutung der Datenwirtschaft in der zukünftigen Wirtschaft
6Bedeutung der Datenwirtschaft in
der zukünftigen Wirtschaft
Die Datenwirtschaft wird die Geschäftsmodelle vieler Branchen unserer Industrie- und Dienstleistungslandschaft umkrempeln. Zahlreiche Beispiele aus Unternehmen zeigen die Entstehung
bzw. Modifizierung von Geschäftsmodellen durch Big Data auf. Big Data ist unternehmerische
Realität und eröffnet neue Möglichkeiten für innovative Unternehmen und Startups. Der Wert
eines Produktes aus Verbrauchersicht wird immer stärker durch intelligente Software-Funktionalität und kontextsensitive Bereitstellung von Daten geprägt.
Technologie- und Strategietrends
»Big Data – Die Daten werden zum Produkt« – dieser Merksatz beschreibt in Kurzform die
Auswirkungen des Phänomens der Datenwirtschaft auf die Wertschöpfungs- und Geschäftsmodelle in der Industrie- und Dienstleistungslandschaft. Was sich in den letzten Jahren als strate­
gischer Trend abzeichnete, beginnt sich heute als unternehmerische Realität zu manifestieren und
verändert nachhaltig die Wettbewerbslogik in vielen Märkten.
Es lassen sich derzeit drei grundlegende Trends ausmachen, deren Konvergenz in den kommenden
drei bis fünf Jahren für ein extrem beschleunigtes Wachstum der »Data Economy« sorgen
werden:
◼◼
Big Data und neue Analytics-Verfahren,
◼◼
IoT und Software-defined Products,
◼◼
Software-defined Business.
In dem genannten Zeitraum wird sich auch der Abstand zwischen den klassisch organisierten und
den datengetriebenen Unternehmen weiter vergrößern. Viele etablierte Spieler werden vom
Markt verschwinden, da ihre Marken in der digitalen Welt nicht mehr sichtbar und die Geschäfts­
modelle ihrer Produkte nicht mehr kompatibel mit den digitalen Kommunikations- und Kommerzialisierungsströmen sind. So sind aktuell die Banken und Versicherungen in Alarmbereitschaft, da sich sogenannte FinTech-Start-ups mit ihren anwenderfreundlichen und mobilen
Lösungen in die Finanzströme einklinken und den etablierten Finanzkonzernen die jungen und
zahlungsfreudigen Verbraucher abjagen.
Big Data und neue Analytics-Verfahren
Ohne die neue Generation an Datenbanktechnologien, Analytics-Verfahren und hochskalierenden
IT-Infrastrukturen á la Cloud Computing ist eine Datenwirtschaft nicht denkbar. Die in den
letzten Jahren als Big Data umschriebenen neuen Technologien und Analysewerkzeuge stellen
die Grundlage der neuen datengetriebenen Geschäftsmodelle und Prozesse dar. Auch hier
konvergieren derzeit verschiedene Technologien und schaffen vollständig neue Möglichkeiten
für innovative Unternehmen und Start-ups. So lassen sich heute Machine-Learning-Algorithmen
auf Cloud-Plattformen »as a Service« anwenden und stundengenau abrechnen. Auch Anwen-
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Bedeutung der Datenwirtschaft in der zukünftigen Wirtschaft
dungen im Kontext Cognitive Computing machen derzeit große Fortschritte, da die Prognosegüte
dank steigender Datenvolumina und unbegrenzter Rechenleistung in der Cloud immer weiter
zunimmt.
IoT und Software-defined Products
Mit dem Internet der Dinge beginnt eine engmaschige Verzahnung von analoger und digitaler
Welt. Angefeuert durch kostengünstige Sensorik werden immer mehr Maschinen und Anlagen
vernetzt. So werden sowohl Industrie- als auch Dienstleistungsprozesse granular analysierbar,
optimierbar und sogar »programmierbar«. Gleiches gilt zukünftig auch im Kontext von Produkt­
entwicklung und Produktdesign von Haushaltsgeräten, Konsumelektronik, Kleidung oder auch
Autos. Der Wert eines Produktes aus Verbrauchersicht wird immer stärker durch intelligente
Software-Funktionalität und kontext-sensitive Bereitstellung von Daten geprägt. Das gilt nicht
nur für Premium-Automobile, wie den Tesla Model S, sondern auch für Skibrillen mit eingebautem Heads-up-Display, welches GPS-Daten und WLAN-Services integriert, sowie für Bohr­
maschinen und Rasenmäher. Die Einzigartigkeit des Produkts ist durch Software definiert und
die Bereitstellung und Verarbeitung von produkt- und kontextrelevanten Daten spielt für den
Anwender eine immer zentralere Rolle. Sie bestimmt somit maßgeblich den Differenzierungsfaktor eines Produktes sowie die Zahlungsbereitschaft der Verbraucher.
Software-defined Business
Auf dieser Basis entstehen softwaregetriebene Geschäftsmodelle, bei denen die physische
Beschaffenheit (Material, Design, Ergonomie etc.) der Produkte in den Hintergrund tritt und dem
digitalen Funktions- und Kommunikationsspektrum des Produktes Platz macht. Diese Trans­
formation findet sukzessiv statt und entkoppelt in nahezu allen Branchen die physischen von
den digitalen Wertschöpfungsketten. So lagern schon heute moderne Konzerne einen Großteil
ihrer Prozesse an Partner aus und »managen« lediglich die Produktentwicklung und die Ver­
braucherbeziehung selbst. Erfolgreiche Beispiele sind Apple oder Nike. In der Welt des Softwaredefined Business wird vor allem das Management der digitalen Verbraucherbeziehung (»Digital
Customer Experience«) zum Erfolgsfaktor. Wer die Schnittstelle zum Verbraucher beherrscht
und dessen Daten, Gewohnheiten und Präferenzen in Vertrieb und Support zu handhaben weiß,
zählt zu den Gewinnern. Vorgemacht haben dies Unternehmen wie Netflix oder auch Zalando,
die sich erfolgreich zwischen Produzent und Verbraucher positioniert haben und mittels intelligentem Verbraucherdatenmanagement und Analytics die Zahlungsbereitschaft voll ausschöpfen
und mit sehr genau designten Angeboten punkten.
Data Economy – Erfolgsfaktoren und Einstiegsoptionen
Diese drei beschriebenen Technologie- und Strategietrends verstärken sich wechselseitig. Auch
erfassen sie nahezu alle Branchen, vom Handel, über die Energieerzeuger bis hin zur verarbeitenden Industrie, wenn auch mit unterschiedlicher Geschwindigkeit. Doch wo liegen die Erfolgsfaktoren und Einstiegsoptionen in die schöne, neue »Data Economy«? Welche Fähigkeiten
brauchen Unternehmen, um in der Datenwirtschaft zu den Marktführern zu zählen?
57
58
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Bedeutung der Datenwirtschaft in der zukünftigen Wirtschaft
Es zählen insbesondere vier Bereiche:
◼◼
Inhaberschaft/Besitz und Verwertungsrechte an Datenbeständen,
◼◼
Fähigkeiten zur Analyse und Aufarbeitung von Daten,
◼◼
Exzellenz im Bereich der Gestaltung digitaler Produkte und einer »Digital Customer Experience«,
◼◼
Vertrauen.
Inhaberschaft/Besitz und Verwertungsrechte an Datenbeständen bilden für Unternehmen eine
gute Ausgangsbasis für den Start in die Datenwirtschaft. Doch muss im Unternehmen eine
entsprechende Awareness und Datenkultur vorherrschen, so dass der potenzielle Wert der Daten­
bestände erkannt und die Kommerzialisierungsmöglichkeiten richtig eingeschätzt werden
können.
Ohne interne Fähigkeiten zur Analyse und Aufarbeitung der Daten (Analytics Capabilities) und
eine Mannschaft aus Data Scientists liegen die Daten in vielen Unternehmen meist brach.
Allerdings lassen sich diese Fähigkeiten zumindest teilweise von Beratern und Dienstleistern
einkaufen.
Exzellenz im Bereich der Gestaltung digitaler Produkte und einer »Digital Customer Experience«
lässt sich dagegen nur schwer extern zukaufen. Hier liegt einer der zentralen Wettbewerbs­
faktoren digitaler Champions bzw. Leader der Data Economy.
Einen Vorteil, den viele etablierte Unternehmen mit an den Tisch bringen, ist das Vertrauen einer
breiten Kundenbasis. Als »Trust Provider« können etablierte Brands auch in der Datenwirtschaft
reüssieren, indem sie für innovative Start-ups und Geschäftsmodelle die Basis für den Markt­
eintritt liefern oder als Verbraucherschnittstelle agieren.
Im Jahr 2016 werden weltweit schon über 140 Milliarden Euro Umsatz mit datengetriebenen Pro­dukten und Geschäftsmodellen generiert.78 Die Tendenz ist stark steigend. Die Datenwirschaft
ist also schon Realität und wird in den kommenden drei bis fünf Jahren auch eine neue Generation
an Managern an die Spitze großer Konzerne befördern.
78 Vgl. (Crisp Research, 2014).
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Bedeutung der Datenwirtschaft in der zukünftigen Wirtschaft
59
7
Fragestellungen
für Big-Data-Leitlinien
62
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Fragestellungen für Big-Data-Leitlinien
7Fragestellungen
für Big-Data-Leitlinien
Der Einsatz von Big-Data-Technologien ist Gegenstand eines intensiven öffentlichen Diskurses.
Im Kapitel 7 werden in zehn Abschnitten ausgewählte Fragen aufgegriffen, die aus Sicht des
­Bitkom besonders wichtig sind.
◼◼
Rechtssicherheit auf europäischer Ebene: Für Big Data in der internationalen Dimension sind
einheitliche, international geltende Regeln erforderlich. Diese müssen für die an der Datenverarbeitung Beteiligten wie auch für die Betroffenen ein hohes Maß an Rechtssicherheit, Transparenz und Vertrauen schaffen. Dies soll mit der in Diskussion befindlichen EU-DatenschutzGrundverordnung erreicht werden (vgl. Abschnitt 7.1). Die EU-Datenschutz-Grundverordnung
bleibt derzeit aber noch hinter den Möglichkeiten und Erfordernissen der Digitalisierung zurück.
Um für Industrie 4.0, Big Data, Cognitive Computing und andere Innovationen günstige
Rahmenbedingungen zu schaffen, sollte ein politischer Prozess zur Weiterentwicklung und
praktischen Umsetzung der Verordnung aufgesetzt werden (vgl. Kapitel 9).
◼◼
Verbraucherakzeptanz von Big Data: Damit die Verbraucher Big-Data-Anwendungen akzeptieren,
müssen ihre Vorbehalte und Ängste verstanden und ernst genommen werden. Verbraucher
benötigen mehr Unterstützung, um ein Grundverständnis für die eingesetzten Technologien
(vgl. Abschnitt 7.2) und die Arbeit von Data Scientists (vgl. Abschnitt 7.3) zu entwickeln. Die
Akzeptanz von Big-Data-Technologien in der breiten Öffentlichkeit wird deutlich zunehmen,
wenn sich die Technologieanbieter zu einer ethisch fundierten Herangehensweise bekennen
(vgl. Abschnitt 7.5).
◼◼
Transparenz von Big-Data-Anwendungen: Transparenz bei Big-Data-Anwendungen bedeutet,
dass die Verarbeitung der Daten mit zumutbarem Aufwand von Betroffenen nachvollzogen,
überprüft und auch bewertet werden kann. So verstanden, ist Transparenz ein wesentlicher
Schlüssel für die Akzeptanz von Big-Data-Lösungen in der öffentlichen Meinungsbildung
(vgl. Abschnitt 7.3).
◼◼
Individualisierte Versicherungstarife und Solidarprinzip: Individualisierte Versicherungstarife
müssen nicht im Widerspruch zum Solidarprinzip stehen. Sie eröffnen die Möglichkeit, ein
gesellschaftlich akzeptiertes Verhalten zu fördern, ohne die Risiken völlig auf das Individuum
abzuwälzen. Big-Data-Analysen können auch einen digitalisierten Schutz ermöglichen, indem
auf ihrer Grundlage Empfehlungen generiert werden. Verbraucher sollten zwischen der
Ablehnung einer individuellen Vermessung ihrer Gewohnheiten bis hin zur Akzeptanz und
freiwilligen Datenlieferung wählen können (vgl. Abschnitt 7.6).
◼◼
Bedeutung automatisierter Datensammlung: Die automatisierte Sammlung von Daten bietet
sowohl für den Verbraucher als auch für Unternehmen einen erheblichen Mehrwert. Zu
gewährleisten ist dabei aber, dass die rechtlichen Vorgaben beachtet werden und der Verbraucher
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Fragestellungen für Big-Data-Leitlinien
den Überblick darüber behält, welche Daten seine Geräte übermitteln, um ihm selbst­
bestimmtes Handeln zu ermöglichen (vgl. Abschnitt 7.7).
◼◼
Recht auf Vergessenwerden: Ein »Recht auf Vergessenwerden« einklagen zu können, geht an
der Realität vorbei. Vielmehr geht es um selbstbestimmtes Löschen und darum, überhaupt
zu erfahren, wo welche personenbezogenen Daten liegen (vgl. Abschnitt 7.8).
◼◼
Grenzen für Prognosen: Prognosen auf der Basis von Big-Data-Einsatz können an Grenzen
geraten: Sie dürfen nicht die Chancengleichheit von Menschen beschneiden (vgl. Abschnitt
7.9).
◼◼
Analyse Sozialer Netzwerke: Unternehmen sollten bei der Analyse der Kommunikation in
Sozialen Netzwerken umsichtig agieren und die Interessen der Betroffenen angemessen
berücksichtigen (vgl. Abschnitt 7.10).
7.1 Big Data im internationalen Wettbewerb
Für Big Data in der internationalen Dimension sind einheitliche, international geltende Regeln
erforderlich. Diese müssen für die an der Datenverarbeitung Beteiligten wie auch für die
Betroffenen ein hohes Maß an Rechtssicherheit, Transparenz und Vertrauen schaffen. Dies soll
mit der EU-Datenschutz-Grundverordnung erreicht werden.
Noch erhebliches Maß an Rechtsunsicherheit
Die internationale Dimension von Big Data ist immer dann relevant, wenn Daten aus einem
oder mehreren Ländern in einem oder mehreren anderen Ländern verarbeitet werden.79 Aus
Sicht des Datenschutzes ist in diesen Fällen von besonderem Interesse, welche Regeln zur
Anwendung kommen. In der Europäischen Union ist das auf der Richtlinie 95/46 EG basierende
Datenschutzrecht weitgehend harmonisiert. Darauf aufbauend sind die Anforderungen an
die Datenverarbeitung innerhalb der Europäischen Union an die Verarbeitung im Inland angeglichen. Ebenfalls in der Richtlinie geregelt sind die Fälle, in denen Drittländer außerhalb der
Europäischen Union an der Datenverarbeitung beteiligt sind. Dies legt zunächst einen klaren
Regelungsrahmen nahe, der für alle Beteiligten die benötigte Rechtssicherheit in der Daten­
verarbeitung bietet. Allerdings bestehen aufgrund der Umsetzung der Richtlinie 95/46 EG in den
Mitgliedsstaaten graduelle Unterschiede im Datenschutzrecht, mit der Folge von Auslegungs79 Hofstetter weist darauf hin, dass verschiedene Sichten auf Big Data in den USA und im kontinentalen Europa
die Unterschiede im Menschenbild und im Marktverständnis widerspiegeln (vgl. (Hofstetter, 2015, S. 36f.)).
»Free trade als Letztbegründung für die Erfassung, die Speicherung und den Handel mit Big Data hebt die
Rechte des Menschen auf eine selbstbestimmte Zukunft auf, indem sie ihn zum Gegenstand des Wirtschaftens
verkürzt.« (Vgl. (Hofstetter, 2015, S. 37)) Und später: »Big Data spricht dem Menschen die Subjekteigenschaften
ab und ordnet ihn der Technik unter – mit allen Konsequenzen für den Einzelnen und seine Rechte, für
Wirtschaft, Politik und Gesellschaft. … Das Subjekt und seine Freiheitsrechte erodieren, mit ihm die soziale
Marktwirtschaft und, wie nebenbei, auch Ethik und Moral ökonomischen Handelns.«
63
64
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Fragestellungen für Big-Data-Leitlinien
streitigkeiten sowohl für den Datenverkehr innerhalb der EU als auch für den Datentransfer in
Drittstaaten, also außerhalb der EU und des EWR. Statt der benötigten Rechtssicherheit besteht
trotz der Harmonisierung durch die Richtlinie ein erhebliches Maß an Rechtsunsicherheit. Gerade
vor dem Hintergrund einer zunehmenden globalisierten Datenverarbeitung sind aber möglichst
einheitliche und verlässliche Regeln nicht nur wünschenswert, sondern auch erforderlich.
Neue EU-Datenschutz-Grundverordnung soll Rechtsrahmen
vereinheitlichen
Rechtssicherheit, Transparenz und Vertrauen sind maßgebliche Kriterien für eine Datenverarbeitung, nicht nur, aber insbesondere im Rahmen von Big Data. Auch wenn diese Kriterien gleichermaßen für nationale Big-Data-Anwendungen gelten, zeigt doch erst der internationale Kontext,
in dem unterschiedliche Rechtsordnungen eine Rolle spielen, die Bedeutung dieser Kriterien. Nur
wenn Rechtssicherheit durch ein möglichst klares und homogenes Recht besteht, können auch
Transparenz und Vertrauen erzeugt werden.
In der Europäischen Union wird dieser einheitliche Rechtsraum in absehbarer Zukunft durch die
Datenschutz-Grundverordnung hergestellt, die das auf der Richtlinie 95/46 basierende Datenschutzrecht ablösen wird. Wegen des Verordnungscharakters werden die Unterschiede reduziert,
die sich aus der unterschiedlichen Umsetzung der Richtlinie 95/46 in nationales Recht ergeben
haben und aus denen Rechtsunsicherheiten resultieren. Die Verordnung wirkt, im Gegensatz zu
einer Richtlinie, unmittelbar für die jeweiligen Länder, d. h., es ist keine Umsetzung in das jeweilige
nationale Recht erforderlich, so dass es keine Umsetzungsspielräume gibt. Die weiterhin mög­
liche unterschiedliche Handhabung von gleichen Sachverhalten durch die Aufsichtsbehörden
muss durch Kohärenzverfahren zwischen den Aufsichtsbehörden beigelegt werden.
Bedeutung der EU-Datenschutz-Grundverordnung für internationale
Märkte
Aber auch für internationale, über das Territorium der EU hinausgehende Big-Data-Anwendungen
trifft die Datenschutz-Grundverordnung mit dem in ihr verankerten Marktortprinzip eine
wichtige Aussage. Zukünftig gilt europäisches Datenschutzrecht für alle Akteure auf dem europäischen Markt – unabhängig davon, ob Dienste oder Waren von innerhalb oder außerhalb der
Europäischen Union angeboten werden. Damit besteht Klarheit und damit auch Rechtssicherheit
über das anzuwendende Recht für alle an Big-Data-Datenverarbeitungsprozessen Beteiligten,
egal, ob diese Daten innerhalb oder außerhalb der Europäischen Union verarbeiten.
Wie bereits im Abschnitt 5 angemerkt wurde, sollte ein modernes Datenschutzrecht im Big-DataKontext einen möglichst global einheitlichen Raum definieren. Mit der Datenschutz-Grund­
verordnung wird zwar keine globale Regelung geschaffen. Dennoch entsteht durch die klare Vor­
gabe auch für die Datenverarbeitung außerhalb der Europäischen Union ein beträchtlicher
Rechtsraum mit gleichen Regeln. Um diesen Rechtsraum zu erhalten, muss sichergestellt werden,
dass die durch die Datenschutz-Grundverordnung erreichte Rechtsvereinheitlichung und auch
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Fragestellungen für Big-Data-Leitlinien
das Datenschutzniveau in Bezug auf den europäischen Markt auch bei Sondervereinbarungen
wie Safe Harbor oder Handelsabkommen beachtet und erhalten werden.
Gleiche Wettbewerbsbedingungen für alle Marktteilnehmer
Mit einheitlichen Regeln für denselben Markt eröffnen sich zudem auch wirtschaftliche Perspektiven. Durch die Anwendung der europäischen Regeln auch auf Unternehmen außerhalb der
Europäischen Union, die auf dem europäischen Markt agieren, wird ein Level Playing Field für
alle Marktteilnehmer geschaffen, welches für fairen Wettbewerb sorgt. Gleichzeitig kann der
Verbraucher sich leichter orientieren, wenn er weiß, dass alle Anbieter sich an die europäischen
Regeln halten – egal ob sie ihre Leistungen aus Europa heraus erbringen oder aus anderen
Staaten.80
Für Big Data in der internationalen Dimension sind einheitliche, international geltende Regeln
erforderlich. Diese müssen für die an der Datenverarbeitung Beteiligten wie auch für die Betroffenen ein hohes Maß an Rechtssicherheit, Transparenz und Vertrauen schaffen. Dies sollte
soweit wie möglich mit der Datenschutz-Grundverordnung erreicht werden.
7.2 Vertrauensentwicklung bei Verbrauchern – Best Practices
Damit die Verbraucher Big-Data-Anwendungen akzeptieren, müssen zwei Voraussetzungen
erfüllt sein: Erstens gilt es, die Vorbehalte und Ängste der Verbraucher zu verstehen und ernst zu
nehmen. Zweitens müssen den Verbrauchern die eingesetzten Technologien soweit nahegebracht werden, dass sie dafür ein Grundverständnis entwickeln können.
Big Data bietet für die Mehrheit der Unternehmen das Potenzial, Einnahmen, Marktanteile und
Margen zu steigern. Begriffe wie Customer Journey oder optimales Marketinginvestment
spiegeln dieses Potenzial wider. Grundlage hierfür ist die Nutzung großer Datenmengen, auch
und insbesondere mit persönlichen Informationen. Diese Datenmengen werden mit dem Ziel
analysiert, die Bedürfnisse aus den unterschiedlichsten Lebensbereichen der Verbraucher besser
zu verstehen und mit spezifischen Angeboten darauf zu reagieren.81
Behörden und Unternehmen verfügen bereits über eine Vielzahl an Daten, deren Analysen einen
Mehrwert für alle Beteiligten bedeuten könnten.
Neue Technologien wie Big Data führen oft zu einem Spannungsfeld zwischen dem technisch
Möglichen und dem ethisch Vertretbaren. Dieses Spannungsfeld speist sich aus dem Antrieb und
Wunsch des Menschen, Erleichterungen für seinen Alltag zu entwickeln (vgl. Kapitel 4), sowie
aus der Skepsis gegenüber anstehenden gesellschaftlichen und technologischen Veränderungen.
80 Vgl. (Kühling, 2015).
81 Vgl. (­Bitkom Research, 2015).
65
66
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Fragestellungen für Big-Data-Leitlinien
Der vom Fraunhofer-Institut für Sichere Informationstechnologie durchgeführte Bürgerdialog
zeigte, dass die Akzeptanz für die Anwendung von Big Data dann am höchsten ist, wenn der
Einsatz transparent dargestellt wurde und die Umsetzung von (Datenschutz-) Rechten erkennbar
ist. Anwendungen aus den Bereichen Verbrechensbekämpfung, Wissenschaft und Medizin
stießen im Bürgerdialog auf eine höhere Zustimmung als Anwendungen für Wirtschaft und
Konsum.82
Kommerzielle Big-Data-Projekte werden in der Öffentlichkeit oft als intransparent wahrgenommen oder dargestellt.83 Dieser Perzeption kann man mit vier Maßnahmen entgegenwirken:
◼◼
Verständnis für die Technologie fördern, z. B. durch die Erklärung von Anonymisierungsprozessen,
◼◼
Wahlmöglichkeit bei der Angabe von Daten anbieten, z. B. durch ein VerbraucherserviceCockpit oder ein Kundenintegrations-Portal,
◼◼
Verständliche Informationen in den Datenschutzhinweise und -erklärungen bereitstellen,
◼◼
Risiken darstellen.
Die im Kapitel 8 formulierten Positionen und Leitlinien greifen diese Wege zu mehr Vertrauen
bei den Verbrauchern in Big Data auf. Es gilt, die Verbraucher mit Nachhaltigkeit und »Wort
halten« zu überzeugen, dass der kommerzielle Nutzen des Unternehmens keinen Nachteil für
den Verbraucher bedeutet.
7.3 Transparenz bei Big-Data-Analysen
Transparenz bei Big-Data-Anwendungen bedeutet, dass die Verarbeitung der Daten mit zumutbarem Aufwand von Betroffenen nachvollzogen, überprüft und auch bewertet werden kann.
Transparenz bei Big-Data-Analysen und –Anwendungen (vgl. Leitlinie 2) bedeutet generell, dass
die Verarbeitung der Daten mit zumutbarem Aufwand von Betroffenen nachvollzogen, überprüft und auch bewertet werden kann. Die Transparenz kann allen Beteiligten dienen, d. h. der
verantwortlichen Stelle bei datenschutzrechtlichen Themen, den Betroffenen (i.d.R. Verbraucher
oder Nutzer), der Datenschutzkontrolle sowie der Öffentlichkeit im Rahmen einer demokratischen Überprüfung der Big-Data-Anwendungen.84
Die Betroffenen möchten häufig in der Lage sein zu verstehen, warum und welche Big-DataVerfahren durchgeführt werden und zu welchen Ergebnissen sie führen. Dies basiert einerseits
auf einem allgemeinen Informationsinteresse bzw. Auskunftsersuchen der Verbraucher, das
bei datenschutzrechtlich relevanten Big-Data-Verfahren (mit personenbezogenen Daten) auch
rechtlich begründet ist. Andererseits sollen die Verbraucher auch Daten korrigieren können85,
82 Vgl. (Steinbach et al, 2015).
83 Vgl. dazu auch Abschnitt 7.1.
84 Vgl. (Weichert 2013).
85 Berichtigung, Sperrung, Löschung, Widerruf.
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Fragestellungen für Big-Data-Leitlinien
wenn die Daten oder Anwendungen fehlerhaft oder ungenau sind oder ggf. zu falschen Schlussfolgerungen führen. Rechtlich durchsetzbar sind diese Interessen der Verbraucher in Bezug auf
Transparenz nur bei Big-Data-Verfahren mit personenbezogenen bzw. teilweise auch mit pseudonymisierten Daten.
Big-Data-Verfahren werden aber häufig gerade auch anonym durchgeführt, da diese Anwendungen in bestimmten Bereichen mächtiger sein können. Hier können die Betreiber selbst
entscheiden, welche Transparenzanforderungen sie erfüllen möchten, da es keine rechtlichen
Anforderungen dafür gibt.
Dimensionen von Transparenz
Transparenz zu Big-Data-Verfahren umfasst mehrere Dimensionen. Transparenz hat neben der
Funktion für die Betroffenen auch eine gesamtgesellschaftlich-demokratische Funktion. Sie
muss dann gegenüber der Öffentlichkeit oder zumindest gegenüber unabhängiger Forschung
oder Kontrollbehörde vorliegen. Hierbei besteht ein Konflikt mit dem Schutz von Betriebs- und
Geschäftsgeheimnissen derjenigen, die Big-Data-Verfahren anwenden. Dieser Konflikt kann
durch Marktregulierung oder andere Regulierung gesteuert werden.
Transparenz für den Betroffenen ist bedeutend für die informationelle Selbstbestimmung der
Betroffenen. Da bei Big Data i.d.R. sehr viele betroffen sind, wird häufig eine öffentliche Transparenz gefordert, die Unternehmen aber mit ihrem Interesse auf Wahrung der Betriebs- und
Geschäftsgeheimnisse abgleichen müssen.
Transparenz kann direkt die Qualität der verwendeten Daten beeinflussen. Nur wenn die ein­
fließenden Daten den Betroffenen bekannt sind, können sie diese auf ihre Aktualität und Richtigkeit hin überprüfen. Dies kann die Richtigkeit der Big-Data-Verfahren beeinflussen.
Aspekte von Transparenz
Konkret kann Transparenz bei Big-Data-Verfahren unter anderem die folgenden Aspekte
umfassen:
◼◼
Informationen leicht zugänglich, jederzeit verfügbar für Beteiligte,
◼◼
stetige Information, welche Geräte welche Daten sammeln, nutzen und übertragen,
◼◼
Informationen über Umfang der harten Daten bzw. eigenen Hochrechnungen/Prognosen,
◼◼
Informationen über Algorithmen,
◼◼
Aufklärung über Entscheidungen auf Basis der Big-Data-Verfahren bzw. -Algorithmen,
◼◼
Informationen über Änderungen,
◼◼
Versionierung der Informationen.
67
68
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Fragestellungen für Big-Data-Leitlinien
Wirkungen von Transparenz
Sofern Transparenz von den Betreibern der Big-Data-Verfahren geleistet wird, ermöglicht diese
Transparenz u. a.
◼◼
Widerspruchsmöglichkeiten für Nutzer (die bei personenbezogenen Daten und pseudonymen
Nutzerprofilen bei Telemedien gesetzlich gefordert ist),
◼◼
die Offenlegung von Quellen und Herkunft der Daten,
◼◼
die Einstellung von Profilmerkmalen durch die Nutzer.
Diese Aspekte können die Qualität der Big-Data-Verfahren – z. B. bei sehr vielen Widersprüchen
– einschränken. Allerdings können dadurch auch die Big-Data-Verfahren qualitativ verbessert
werden, wenn die Nutzer selber Fehler feststellen und korrigieren.
7.4 Wie Analyseergebnisse zustande kommen
In immer mehr Organisationen werten eigens dafür abgestellte Experten die Datenbestände
systematisch aus. Dieses »Data Scientists« orientieren sich dabei an bewährten Vorgehens­
modellen. Am Anfang steht das Verständnis der Business-Anforderungen und ihrer Übersetzung
in Fragestellungen für Datenanalyse. Nach der Analyse der verfügbaren Datenquellen startet
der Data Scientist die Entwicklung einer datengetriebenen Lösung, die meist in mehrere Iterationsstufen verfeinert wird. Die Lösung wird in einem letzten Schritt in die Prozesse und Applikationen
integriert und nachfolgend weiter optimiert.
Anforderungen an Data Scientists
Die Hauptaufgaben des Data Scientists bestehen darin, Business-Anforderungen in Fragestellungen für Datenanalyse zu übersetzen, diese umzusetzen und zu verfeinern und schließlich
den Einsatz der gefundenen Lösungen zu begleiten.
Aus diesem Grund muss der Data Scientist eine Reihe von Fähigkeiten besitzen, die bis vor
einigen Jahren noch auf verschiedene Rollen verteilt waren. Er muss sich sowohl auf der BusinessSeite, als auch in der Datenanalyse auskennen und zusätzlich das technische Wissen mitbringen,
um die Lösungen robust und skalierbar umzusetzen.
Diese Integration wurde nötig, weil sich in den letzten Jahren die technischen Möglichkeiten
so schnell entwickelt haben, dass nur durch eine integrierte Sicht auf alle Aspekte gute Lösungen
finden lassen. Funktionierende Big-Data-Lösungen kann nur entwickeln, wer weiß, welche
Datenanalysemethoden für eine bestimmte Fragestellung existieren und welche technischen
Eigenschaften diese Methoden aufweisen.
Data Scientists finden ihr Einsatzgebiet oft in technologiegetriebenen Unternehmen, in denen
ständig große Mengen an Daten anfallen, so dass es große Potenziale gibt, durch Auswertung
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Fragestellungen für Big-Data-Leitlinien
von Daten wichtige Einsichten zu gewinnen. Dies betrifft insbesondere Firmen, die hauptsächlich über eine Webseite oder ähnliche technischen Services mit ihren Verbrauchern interagieren.86
Phasen der Projektentwicklung
Am Anfang eines Projektes besteht die Aufgabe darin, zusammen mit den entsprechenden
Geschäftsbereichen herauszufinden, welche Fragestellungen vorliegen und wie diese mit Hilfe
von Datenanalyse gelöst werden können. Hierzu müssen die vorhandenen Datenquellen identi­
fiziert werden, die zusammen mit entsprechenden Datenanalysemethoden zur Problemlösung
beitragen können.
Von diesem ersten Ansatz ausgehend, startet der Data Scientist dann die Entwicklung und
Verfeinerung einer datengetriebenen Lösung87, beginnend mit einer repräsentativen Teilmenge
aller bereits verfügbaren Daten. Wichtig ist hierbei, bereits durch Simulation auf vorhandenen
Daten die Performance auf zukünftigen Daten robust vorhersagen und abschätzen zu können. Im
Laufe dieses Prozesses, der gewöhnlich mehrere Iterationsstufen durchläuft, werden Daten­
quellen, Datenanalysemethoden und auch die ursprüngliche Fragestellung so lange verfeinert,
bis eine Lösung vorliegt, die auf Simulationen und vorhandenen Daten ausreichend gute Ergebnisse liefert.
Als nächste Stufe muss diese Lösung dann in das bestehende System integriert werden, um
weitere Evaluierungsergebnisse zu erhalten. Wichtig ist dabei, dass sich die Frage, ob ein System
funktioniert, nur auf Basis realer Daten beantworten lässt. Der Data Scientist hat hier also eine
besondere Verantwortung, die Evaluierung fachgerecht durchzuführen.
Als letzter Schritt in diesem Prozess besteht dann der Einsatz der gefundenen Lösung im
Gesamtsystem, wobei neue Aspekte wie Skalierbarkeit, Monitoring, usw. hinzutreten. Auch jetzt
ist das Projekt noch nicht abgeschlossen, sondern bietet langfristig Potenzial für Verbesserung
und weitergehende Anpassungen.
Data Science und Big Data
Da der Data Scientist potenziell mit Daten aus verschiedensten Quellen arbeitet, muss er auch
für Datensicherheit und -schutz sensibilisiert sein.
Das Grundinteresse des Data Scientists liegt in der Entwicklung automatisierter Methoden,
mit denen sich geschäftsrelevante Fragestellungen skalierbar lösen lassen. Die individuelle Suche
nach einzelnen Fragen, zum Beispiel um über einen Nutzer gewissen Antworten zu erhalten,
liegt nicht in seinem Fokus.
86 Für einen Webshop kann Data Science zum Beispiel eingesetzt werden, um häufig zusammen erworbene
Artikel zu identifizieren, um sie dem Kunden im geeigneten Kontext anzubieten.
87 Zur Ethik von Algorithmen vgl. (Wagner, 2015).
69
70
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Fragestellungen für Big-Data-Leitlinien
Zweifellos besitzen moderne Datenanalysemethoden ein großes Problemlösungspotenzial. Es
darf jedoch nicht übersehen werden, dass deren »Intelligenz« beschränkt ist. Die Methoden
beruhen auf der massiven Anwendung statistischer Methoden und Modelle, die keine inhärente
Intelligenz besitzen.88 Computer bilden sich also weder eine Meinung über die Daten noch
»verstehen« sie sie in irgendeiner Form.
Data Science und Big Data sind prinzipiell verschiedene Bereiche. Data Science kann bereits für
kleine Datenmengen sinnvoll und anspruchsvoll sein, während Big Data hauptsächlich Technologien umfasst, die in der Lage sind, große Datenmengen skalierbar zu speichern und verarbeiten.
Die große Datenmenge macht den Einsatz spezieller, skalierbarer Datenanalysemethoden nötig,
und durch den Datenreichtum ergeben sich auch leicht andere Herangehensweisen.
7.5 Bedeutung ethischer Grundsätze bei Big-Data-Lösungen
Die Akzeptanz von Big-Data-Technologien in der breiten Öffentlichkeit setzt insbesondere
voraus, dass die Technologieanbieter eine ethisch fundierte und untermauerte Herangehensweise
praktizieren. Ein verantwortungsvoller Umgang mit Big Data zeichnet sich dadurch aus, dass
die Rechte und Interessen der Betroffenen bei der Verwendung von Big Data gewahrt werden und
damit ein ethisches Korrektiv zu den nahezu unbegrenzten technischen Möglichkeiten besteht.
Ethisch-moralische Gesichtspunkte und Transparenz
In Teilen der Gesellschaft und der Politik bestehen Vorbehalte gegenüber Big-Data-Anwendungen.89 Die Medien rücken unter dem Schlagwort Big Data teilweise Gefahren und negative
Beispielsfälle in den Vordergrund (»Big Brother«). Die Verbraucher verlangen, berechtigterweise,
88 Zum Beispiel kommen für die Verhaltensvorhersage eines Nutzers Modelle zum Einsatz, die im Wesentlichen
einfach strukturierte Funktionsmodelle mit einer großen Anzahl an Parametern sind, die im Laufe des
Trainingsprozesses lediglich so angepasst werden, dass die Vorhersage auf den verfügbaren Trainingsdaten
möglichst gut ist.
89 Einige Autoren richten ihre Aufmerksamkeit auf grundsätzliche Herausforderungen im Zusammenhang mit
Big Data. Sie befürchten, dass die Datafizierung Chancen für eine alternative Zukunft verbaut. So geht es
Morozov (vgl. (Morozov, 2015)) u. a. um ein neues Verständnis von Datenschutz, die »wirkmächtige Verschmelzung kommerzieller Interessen heutiger Unternehmen mit den Sicherheitsinteressen heutiger Regierungen«
(vgl. (Morozov, 2015, S. 4)) als größte Herausforderung sowie die Frage, »ob es angemessen ist, dass es die
großen Unternehmen wie Google und Facebook sind, die letztgültig vermitteln, wie wir leben, heilen, studieren
oder reisen.« (vgl. (Morozov, 2015, S. 7)) Zum Datenschutz lautet Morozovs zentrale Aussage. »Sollte es
gelingen, uns von diesem theoretischen Vorurteil freizumachen, dass es beim Datenschutz um den Schutz
eines Gutes aus der Vergangenheit geht, und würden wir Datenschutz stattdessen als Möglichkeit betrachten,
eine alternative Zukunft zu leben – eine, die uns von niemandem aufgezwungen wird, sondern die wir uns
selbst teilautonom wählen – dann würden wir erkennen, dass die gegenwärtigen Prozesse, die alles quantifizieren und datafizieren, diese Möglichkeit stark einschränken.« (vgl. (Morozov, 2015, S. 3f.)) Ähnlich argumentiert Hofstetter: »Die Macht verschiebt sich weg vom demokratisch legitimierten Staat, dessen Repräsentanten
durch den Souverän wählbar und kontrollierbar sind, hin zu den Wirtschaftsbetrieben, die über unsere Daten
verfügen – und die Schlüsseltechnologien, um sie auszuwerten. Anders als ein demokratischer Staat sind sie
hochgradig intransparent; durch ihre Geschäftsstrategie, stets ein Monopol anzustreben, wird Nutzern jede
Alternative genommen.« (Vgl. (Hofstetter, 2015, S. 34))Vgl. (­Bitkom 2012, S. 14, 16).
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Fragestellungen für Big-Data-Leitlinien
nach einer transparenten Verarbeitung ihrer Daten und lassen den pauschalen Hinweis auf
Geschäftsgeheimnisse nicht gelten. Schließlich stellen politische Entscheidungsträger laufend
wechselnde Forderungen an die Wirtschaft. Auch ein Großteil der im Zusammenhang mit Big
Data entstehenden Rechtsfragen ist noch nicht abschließend geklärt, so dass auch hieraus
Unsicherheit entsteht. Schließlich müssen aber vor allem die Unternehmen selbst sicherstellen,
dass sie eigenen Wertvorstellungen treu bleiben und entsprechend ihre Geschäftsprozesse
gestalten (vgl. Leitlinie 7).
Der Grundsatz bei Big Data lautet also: Nicht alles, was machbar ist, wird auch umgesetzt. Mit
anderen Worten: Auch wenn eine Big-Data-Lösung sowohl technisch als auch juristisch um­­
gesetzt werden könnte, so müssen dennoch beispielsweise ethisch-moralische Gesichtspunkte
bei der Letztentscheidung berücksichtigt werden (vgl. Leitlinie 9).
Vor diesem Hintergrund ist es für Unternehmen besonders wichtig, gegenüber ihren Verbrauchern
transparent über Big-Data-Lösungen zu informieren . Dies kann über separate Informationen
zu Big-Data-Lösungen geschehen oder im Rahmen der geschäftspolitischen Außendarstellung
wie Internetauftritt. Transparenz ist ein wesentlicher Schlüssel für die Akzeptanz von Big-DataLösungen in der öffentlichen Meinungsbildung (vgl. Leitlinie 2).
Respekt vor Verbrauchern
Eng verzahnt mit der Transparenz ist der Respekt vor Verbrauchern. In der Regel setzen Big-DataLösungen auf Daten auf, welche das Unternehmen über die eigenen Kunden aufgrund einer
Vertragsbeziehung hat.90 Um die Akzeptanz der Kunden für eine solche Datenverarbeitung zu
erhalten, muss dem Kunden nachvollziehbar erläutert werden, wie und wofür die Daten verwendet werden. Letztendlich partizipieren beide Seiten am Nutzen von Big-Data-Lösungen (vgl.
Leitlinie 1) – zum einen das Unternehmen und zum anderen der Kunde. Das Unternehmen kann
den wirtschaftlichen Wert durch Erstellung von innovativen Produkten erhöhen. Gleichzeitig
profitiert der Verbraucher von optimierten und nützlicheren Produkten zu einem besseren Preis.
Ethisch-moralisches Korrektiv
IT-Unternehmen befinden sich in einem größer werdenden Spannungsfeld. Um die sich bietenden wirtschaftlichen Chancen ausnutzen zu können, müssen sie den vielfältiger werdenden
Möglichkeiten des Einsatzes von Big Data aufgeschlossen gegenüber treten. Andererseits wird
sich nachhaltiger Erfolg mit Big-Data-Technologien nur einstellen, wenn die Unternehmen
hiermit auf Akzeptanz bei den Nutzern stoßen. Eine zentrale Voraussetzung dafür ist eine
ethisch fundierte und untermauerte Herangehensweise.
Auch wenn die Optimierung von Produkten als wirtschaftliches Ziel für Unternehmen sehr
erstrebenswert ist, so muss bei der Kundenentwicklung gerade bei Big-Data-Lösungen ein
90 Vgl. auch (Ulmer, 2013, S. 225). Zu allgemeinen Methoden der Anonymisierung vgl. (Dammann 2014).
71
72
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Fragestellungen für Big-Data-Leitlinien
ethisch-moralisches Korrektiv Berücksichtigung finden. Big Data ermöglicht per definitionem
die Verknüpfung und Analyse unterschiedlichster Daten aus einer Vielzahl von Datenquellen.
Eine solche maximale Verknüpfung, Datenschutzkonformität unterstellt, kann zu unerwarteten
Pro­duktentwicklungen führen. Die Verknüpfung unterschiedlichster Datenquellen könnte
Ergebnisse hervorbringen, die ethisch-moralisch bedenklich sind. Besondere Sorgfalt ist geboten,
wenn »besondere Daten«, gemäß § 3 Abs. 9 BDSG91, verarbeitet und analysiert werden. Daher
ist vor der Verwendung solcher Daten genau zu prüfen, ob das angestrebte Ergebnis auch unter
ethischen Gesichtspunkten vertretbar bzw. erwünscht und im Sinne derer ist, von denen die
Daten stammen. Wenn nicht klar ist, welche Konsequenzen sich aus einer Verwendung oder
Verknüpfung dieser Daten ergeben können, sollten Unternehmen von der Verwendung absehen.
(vgl. Leitlinie 9).
Bedeutung von Leitlinien
Big-Data-Analysen bergen also vielfältige Herausforderungen, nicht zuletzt technischer und
wirtschaftlicher Natur.92 Die im Kapitel 8 vorgestellten Leitlinien sollen Hinweise für die Kommunikation mit Verbrauchern geben, Best Practices für das Prozessmanagement und die Unter­
nehmensorganisation bieten und den Unternehmen insgesamt eine Richtschnur für einen ethisch
und juristisch einwandfreien Einsatz von Big-Data-Analysen aufzeigen.
Sie können für die Bewältigung nur einiger dieser Herausforderungen Hinweise geben. Vorgestellt werden insbesondere Möglichkeiten, einen verantwortungsvollen Umgang mit Big Data zu
praktizieren, der sich dadurch auszeichnet, dass die Rechte und Interessen der Betroffenen bei
der Verwendung von Big Data – sei es in den eigenen Geschäftsprozessen oder bei der Gestaltung
von Produkten – angemessen berücksichtigt werden und damit ein ethisches Korrektiv zu den
nahezu unbegrenzten technischen Möglichkeiten besteht (vgl. Leitlinie 7).
7.6 Stimulierung gesellschaftlich wünschenswerter Verhaltensweisen
Individuelle risikoorientierte Versicherungstarife stehen dem deutschen Solidarprinzip nicht
zwingend im Weg. Sie eröffnen die Möglichkeit, ein gewünschtes Verhalten zu fördern, ohne die
Risiken völlig auf das Individuum abzuwälzen. Big-Data-Analysen können auch einen digitalisierten Schutz ermöglichen, indem auf ihrer Grundlage Empfehlungen generiert und digitalisiert
übertragen werden. Einzelne Verbraucher sollten zwischen der Ablehnung einer individuellen
Vermessung ihrer Gewohnheiten bis hin zur Akzeptanz und freiwilligen Datenlieferung wählen
können.
91 »Besondere Arten personenbezogener Daten sind Angaben über die rassische und ethnische Herkunft,
politische Meinungen, religiöse oder philosophische Überzeugungen, Gewerkschaftszugehörigkeit, Gesundheit oder Sexualleben.«
92 Die technischen und wirtschaftlichen Herausforderungen sind nicht Gegenstand der Leitlinien.
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Fragestellungen für Big-Data-Leitlinien
Stimulierung – ja, Sanktionierung – nein
Big-Data-Anwendungen sollten so konzipiert werden, dass sie ggf. eine Stimulierung, nicht
jedoch eine Sanktionierung ermöglichen. Dabei muss dafür Sorge getragen werden, dass Personen,
die in eine Verarbeitung ihrer Daten nicht einwilligen, keine Nachteile haben.
Zu klären ist, unter welchen Umständen eine Benachteiligung und eine Sanktionierung durch
eine Anwendung vorliegen.
Personalisierte, risikoorientierte Versicherungstarife müssen dem deutschen Solidaritätsprinzip
im Versicherungswesen nicht zwingend widersprechen, wenn die Ergebnisse der Datenanalyse
lediglich zur Stimulierung dienen. An die Stelle von Negativkonsequenzen können Empfeh­
lungen an die Verbraucher rücken, wie sie den definierten Kriterien besser entsprechen.93 Big
Data kann hier im Sinne des Nudging94 wirken; dabei muss ein ausgewogenes Verhältnis
zwischen Selbstverantwortung und Solidargemeinschaft bestehen bleiben.
Sollte bei einer Anwendung Unsicherheit herrschen, ob sie stimuliert oder sanktioniert, könnte
eine Ethik-Kommission zu Rate gezogen werden. Unterstützung bei dieser Entscheidung sollen
auch die Leitlinien (vgl. Kapitel 8) bieten.
7.7 Datensammlung im Automatismus
Die automatisierte Sammlung von Daten bietet sowohl für den Verbraucher als auch für Unternehmen einen erheblichen Mehrwert. Zu gewährleisten ist dabei aber, dass die rechtlichen
Vorgaben beachtet werden und der Verbraucher darüber er entscheiden kann, welche Daten
seine Geräte übermitteln sollen.
Automatisierte Sammlung von Daten
Die automatisierte Sammlung von Daten birgt einen erheblichen gesellschaftlichen Mehrwert.
Mit der Ausbreitung des Internets der Dinge vervielfachen sich die Möglichkeiten zu einer
solchen Datensammlung über Sensoren, die in Alltagsgegenständen eingebaut sind, seien es
Fitnessarmbänder, Turnschuhe oder Waschmaschinen. Entscheidend ist dabei jedoch, dass
Unternehmen die Interessen der Betroffenen angemessen berücksichtigen. Gerade die ubiquitäre
automatisierte Datensammlung erfordert ein ethisch einwandfreies Vorgehen, weil sie eine
stärkere technische Durchdringung des Bereichs privater Lebensgestaltung mit sich bringt (vgl.
Leitlinie 7 und Leitlinie 8).
93 Eine solche Empfehlung könnte beispielsweise zur Teilnahme an einem Rückentrainingszirkel oder Fahr­
sicherheitstraining sowie zur Wahl einer anderen, altersgerechteren Wanderroute oder einer alternativen
Fahrstrecke, aufgrund erhöhten Unfallvorkommens anleiten.
94 Nachhaltige Verhaltensbeeinflussung durch Impulse (wörtlich: Schubs) – ohne Verbote oder Befehle.
73
74
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Fragestellungen für Big-Data-Leitlinien
Inhaberschaft an Daten
Dabei sind insbesondere die Rechte der Verbraucher zu beachten. Data Mining mit personenbezogenen Daten darf nicht ohne die Kenntnis der Betroffenen erfolgen. Um die Akzeptanz der
Verbraucher für die Datenverarbeitung zu sichern, muss diesen gegenüber transparent gehandelt
werden. Der Verbraucher kann sich nur dann selbstbestimmt und ohne ein »diffuses Gefühl
des Beobachtetwerdens« den neuen Technologien öffnen. Insbesondere ist auch zu bedenken, dass
die Inhaberschaft an Daten rechtlich nicht geklärt ist. Die technische Umsetzbarkeit der Daten­
erhebung begründet für sich noch keine ethische Legitimität. Vielmehr müssen sowohl das Datensubjekt als auch der Eigentümer des Geräts, welches die Daten sammelt, über die Datenerhebung informiert sein. Sie müssen die Kontrolle über die ihnen vom Gesetz zugeordneten
Herrschaftssphären behalten.
Technische Ausgestaltung der Datensammlung
Besondere Bedeutung kommt hierbei schon der technischen Ausgestaltung der Datensammlung zu. Die beiden wichtigsten Aspekte lassen sich unter den Schlagworten »Privacy by Design«
und »Privacy by Default« zusammenfassen. Schon bei der technischen Konstruktion informa­
tionstechnischer Systeme, die der Verarbeitung von personenbezogenen Daten dienen, muss
sichergestellt sein, dass das System datenschutzfreundlich eingesetzt werden kann. Nicht nur stellt
das Recht auf informationelle Selbstbestimmung ein Grundrecht dar, verfassungsgerichtlich
sind mittlerweile auch Anforderungen an die Ausgestaltung informationstechnischer Systeme
festgeschrieben. Soweit möglich sollten Konflikte mit diesbezüglichen rechtlichen Vorgaben
deshalb schon durch technische Gestaltung minimiert werden. Darüber hinaus sollten Unternehmen, gerade bei sensiblen Daten, nicht standardmäßig die maximal mögliche Datenmenge
erheben, sondern eine datenschutzfreundliche Voreinstellung wählen.
Der Entwurf der Datenschutz-Grundverordnung enthält die Vorgabe, »Privacy by Design« und
»Privacy by Default« einzusetzen. Weitere Ansätze, konkrete Aspekte von »Privacy by Design«
und »Privacy by Default« regulatorisch zu verankern, finden sich in den gesetzlichen Vorgaben
zum Einsatz von intelligenten Messsystemen (Smart Meter). Die entsprechenden Regelungen
sehen derartige Schutzmechanismen als verbindlich vor. Sie können eine Orientierung auch
außerhalb der Energiewirtschaft bieten.
7.8 Recht auf Vergessenwerden?
Die Forderung eines »Rechts auf Vergessenwerden« geht an der technologischen Realität vorbei.
Vielmehr geht es um selbstbestimmtes Löschen und darum, überhaupt zu erfahren, wo welche
personenbezogenen Daten liegen.
Für die Speicherung von massenhaft anfallenden Daten bilden die Kosten mittlerweile keine
Barriere mehr – mit der Folge, dass Daten für die Ewigkeit vorgehalten werden können. Das
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Fragestellungen für Big-Data-Leitlinien
Internet vergisst nicht: Digital veröffentlichte Bilder oder Meinungsäußerungen – auf Unternehmensservern gespeichert und im Internet veröffentlicht – verschwinden von dort nicht mehr
ohne aktives Handeln. In der Praxis kann das für Personen die Konsequenz haben, dass z. B. ihre
politischen Äußerungen ihnen über Jahrzehnte anhängen, selbst wenn sie ihren Überzeugungen
längst abgeschworen haben. Daraus können erhebliche Nachteile95 erwachsen. Diese Möglichkeit kann das Verhalten in der Gegenwart deutlich beeinflussen, um in Zukunft nicht »bestraft«
zu werden. Die Löschung von Inhalten im Internet bleibt eine Herausforderung, wenn man nicht
alle Verbreitungswege kennt.96
Verfallsdatum für Informationen?
Im Sinne der informationellen Selbstbestimmung wird in der Öffentlichkeit die Forderung laut,
◼◼
die Löschung von personenbezogenen Daten veranlassen zu können bzw.
◼◼
dass Daten nur für einen bestimmten Zeitraum gespeichert werden.
Digitale Informationen mit Personenbezug sollen nicht dauerhaft verfügbar sein. Ein »Recht auf
Vergessenwerden« postulierte Viktor Mayer-Schönberger.97 Er stellte die Forderung auf, dass
elektronisch gespeicherte Daten mit einem Verfallsdatum versehen und nach dessen Ablauf
gelöscht werden. Mayer-Schönberger geht dabei nicht zwingend von einem Automatismus oder
einem tatsächlichen Vergessensrecht aus, ebenso wenig von einem umfassenden Data Rights
Management System. Vielmehr forderte er die permanente Konfrontation mit der Frage, wie lange
ein Datum gespeichert werden soll. Schrittweise würde das Bewusstsein dafür geschärft, dass
Daten und enthaltene Informationen einen zeitlich begrenzten Wert aufweisen und folglich
manches nicht ewig gespeichert werden muss. Digitales Merken und Vergessen soll funktionieren
wie analoges. Analog ist es eine bewusste Entscheidung und eher die Ausnahme, etwas im
Geiste oder extern festzuhalten, wenn es wichtig erscheint. Das Vergessen ist hier die Regel und
das Merken die Ausnahme. Digital verhält es sich umgekehrt: Das Merken funktioniert auto­
matisiert, wohingegen Vergessen einer aktiven Handlung bedarf.98
Unklare Rechtslage
Gesetzlich ist die Forderung nach einem Recht auf Vergessenwerden bis dato nicht geregelt. In
der geltenden europäischen Richtlinie und im deutschen Datenschutzgesetz werden nur Voraussetzungen bestimmt, unter denen ein personenbezogenes Datum zu löschen ist. 2011 wurde
das Recht im Vorschlag der Europäischen Kommission für eine Datenschutz-Grundverordnung
95 Nachteile für Individuen könnten beispielsweise in Form von schlechteren Kreditkonditionen bei Banken oder
von schlechteren Tarifen bei Versicherungen oder in Form einer Überwachung durch staatliche Institutionen
entstehen. Die Interessenabwägung ist alles andere als trivial, verfügen doch Banken und Versicherungen
über valide Grundlagen für eine unterschiedliche Bewertung von Verbrauchern.
96 Wird ein Verweis an der einen Stelle gelöscht, kann er an einer anderen nach wie vor bestehen. Selbst wenn
ein alkoholisierter junger Partyteilnehmer leichtsinnig veröffentlichte Bilder bereits nach kurzer Zeit in
seinem Profil löscht, können diese Bilder Jahre später wieder auftauchen und einen Karriereknick verursachen.
97 Vgl. (Mayer-Schönberger, 2010).
98 Vgl. (Pluta, 2008).
75
76
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Fragestellungen für Big-Data-Leitlinien
aufgegriffen, wobei keine Löschfristen vorgesehen wurden und das Recht vornehmlich einer
Ausweitung des Rechts auf informationelle Selbstbestimmung gleichkam. Aufgrund zahlreicher
Kritik wurde das Recht 2013 aus dem Entwurf entfernt und auf ein Recht auf Löschung
beschränkt.99
Grundsätzlich besagt das geltende Recht, dass Daten nicht länger personenbezogen aufbewahrt
werden dürfen, als es für die Realisierung der Zwecke erforderlich ist, für die sie erhoben wurden
oder weiterverarbeitet werden. Diese Formulierung lässt Spielraum für die Ausgestaltung von
unternehmensspezifischen Datenschutzrichtlinien und -erklärungen. Daher gibt es unterschiedliche Handhabungen in den Unternehmen, die nicht unbedingt zu mehr Transparenz und
Kontrolle für den Verbraucher führen. Jedoch starteten Unternehmen in den letzten Jahren Initiativen für die Entwicklung standardisierter Löschkonzepte, die sicherstellen sollen, dass jedes
Datum gelöscht wird, sobald es nicht mehr erforderlich ist.100
2014 entschied der EuGH, dass es für den Einzelnen möglich sein muss, die Löschung von Links
auf personenbezogene Daten zu veranlassen101. Diese Entscheidung wurde so umgesetzt, dass
die betreffenden URLs aus den Suchergebnissen ausgeblendet werden. Die tatsächlichen verlinkten Inhalte liegen nach wie vor auf den Unternehmensservern. Archive von Medien sind folglich
nicht betroffen. Die genannte Limitierung haben alle bisherigen technischen Ansätze gemeinsam. Zwar geht aus der öffentlichen Debatte hervor, dass dies oft als positiv empfunden wird, da
das Recht auf Vergessenwerden in seiner umfassenden Form eine Zensur darstellen und massive
Erinnerungslücken erzeugen könne.102 Jedoch stellt die Limitierung trotzdem eine massive
Einschränkung der informationellen Selbstbestimmung dar. Umgekehrt würde ein absolutes
Löschrecht einen entsprechenden Eingriff in die Informations- und Pressefreiheit darstellen. Wie
so oft in dieser Diskussion hat man es mit widerstreitenden berechtigten Interessen und Grundrechten zu tun.
Löschung von Daten bleibt eine Herausforderung
Wegen der kontroversen Interessen von Medien, Unternehmen und den Betroffenen erscheint
die Forderung nach einem Recht auf durchgreifendes Löschen utopisch. Vielmehr ist Kom­
promiss zu finden. Vor diesem Hintergrund erscheint Mayer-Schönbergers Ansatz sinnvoll, da er
nicht von einer rechtlichen Festlegung ausgeht, sondern von einem Bewusstseinswandel. In
der öffentlichen Debatte geht es auch meist viel weniger um das Einklagen eines Rechts, als vielmehr um Möglichkeit zu selbstbestimmtem Löschen verfügen. Hierzu müssen Strukturen
geschaffen werden, die die Verbreitung von Daten im Internet nachvollziehbar machen. Grundsätzlich spielt hierbei auch die Forderung nach erhöhter Transparenz über die Speicherung und
Verwendung personenbezogener Daten eine Rolle. So wird erörtert, ob Betroffene als eine Art
99 Auf technischer Ebene existieren erste, allerdings noch nicht ausgereifte Ansätze, die die Vorschläge
Mayer-Schönbergers verfolgen. Vgl. (Heise online, 2011) sowie (Welchering, 2011).
100Vgl. (DIN 2015).
101 Vgl. (EuGH, 2014).
102Vgl. (Reißmann, 2014).
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Fragestellungen für Big-Data-Leitlinien
»Datenbestätigung« in bestimmten Abständen darüber informiert werden könnten, welche
Daten gespeichert, genutzt und verarbeitet werden und zu welchem Zweck das geschieht. Dabei
müsste auch die Weitergabe an Dritte weitgehend transparent gemacht werden, so dass die
Datenverbreitung nachvollzogen werden kann. Ein solches Vorgehen würde gewährleisten, dass
Betroffene notwendige Korrekturen an veralteten oder falschen Beständen aufzeigen könnten.
Allerdings wäre eine aktive Benachrichtigung aller Betroffenen in regelmäßigen Abständen mit
großen praktischen und auch datenschutzrechtlichen Schwierigkeiten verbunden. Es gibt jedoch
recht erfolgreiche Ansätze, bei denen im Rahmen eines Nutzeraccounts jederzeit für den Nutzer
einsehbar ist, welche seiner Daten gespeichert sind und wo er auch selbst deren Berichtigung oder
Löschung initiieren kann. In dieser Richtung können sicherlich noch weitere Instrumente ent­
wickelt werden, mit denen die notwendige Transparenz und Interaktion hergestellt werden kann,
die für die Nutzer zur Ausübung ihres informationellen Selbstbestimmungsrechts notwendig ist.
7.9 Umgang mit Wahrscheinlichkeiten und Verhaltensprognosen
Grundsätzlich ist es zu begrüßen, wenn mit Hilfe von Big Data Prognosen verbessert werden.
Prognosen können jedoch an Grenzen geraten: Sie dürfen Menschen nicht ihre Chancengleichheit nehmen.
Big Data Analytics macht es möglich, aus bekannten Umständen Prognosen über das künftige
Verhalten einer Person oder andere Ereignisse abzugeben. Das gilt für die Rückzahlung von
Darlehen genauso wie die Wahrscheinlichkeit eines Autounfalls.
Grundsätzlich ist es zu begrüßen, wenn mit Hilfe von Big Data Prognosen verbessert werden. Die
Verbesserung einer Prognose über die Bonität eines Verbrauchers ist genauso im Interesse der
Bank, die das Geld zurückerhalten will, wie im Interesse des Verbrauchers, der am besten nur so
viel Schulden aufnimmt, wie er wahrscheinlich auch zurückzahlen kann. Sie ist auch im Interesse
anderer Verbraucher, denn je besser die Prognose, desto geringer können die Risikoaufschläge
sein, die Banken erheben müssen.
Auch für Gesundheitsprognosen gilt das. Je besser man voraussehen kann, welche Krankheiten
ein Mensch möglicherweise entwickelt, desto früher kann man therapeutische Gegenmaß­
nahmen ergreifen. Das nützt vor allem den Betroffenen, es nützt aber auch der Gesellschaft
durch eingesparte Kosten, die für andere Maßnahmen ausgegeben werden können.
Grenzen von Prognosen
Prognosen können aber auch ungewollte Folgen haben. Bezieht man in eine Bonitätsprüfung
auch den Wohnort des Verbrauchers mit ein, so kann dies bedeuten, dass Menschen aus
bestimmten Stadtgebieten keine Kredite mehr erhalten, vielleicht nicht einmal einen Mobilfunkvertrag. Prognosen könnten auch dazu führen, dass Menschen mit einer bestimmten
Erbanlage keine Krankenversicherung abschließen können, obwohl sie vielleicht diese Krankheit
77
78
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Fragestellungen für Big-Data-Leitlinien
niemals entwickeln; so würde das Solidaritätsprinzip von Versicherungen ausgehebelt. Hier
geraten Prognosen an ihre Grenzen. Prognosen dürfen nicht dazu führen, dass Menschen die
Chancengleichheit genommen wird (vgl. Leitlinie 9). Bestimmte Analysen müssen ausgeschlossen
bleiben, beispielsweise genetische Analysen für berufliche Zwecke. Auch dürfen staatliche
Zwangsmaßnahmen nicht mit einer bloßen Wahrscheinlichkeitsprognose begründet werden:
Die Polizei darf einen Fußballfan nicht deshalb festnehmen, weil die Prognose eine hohe Wahrscheinlichkeit ergab, dass er im Stadion randaliert. Staatliches Handeln darf nur an begangene
Handlungen anknüpfen oder an eine bestehende Gefahr, die durch konkrete Tatsachen belegt
werden muss.
7.10 Erkenntnisse aus der Kommunikation in Sozialen Netzwerken
Unternehmen sollten bei der Analyse der Kommunikation in Sozialen Netzwerken umsichtig
agieren und die Interessen der Betroffenen angemessen berücksichtigen.
Obwohl die Kommunikation in Sozialen Netzwerken öffentlich verfügbar ist, sollten Unternehmen
bei der Sammlung und Auswertung solcher Informationen berücksichtigen, dass die Betroffenen
bewusst meist nur mit einem eingeschränkten Nutzerkreis und nur in einem ganz spezifischen
Zusammenhang kommuniziert haben. Nicht immer mag ein Betroffener davon ausgegangen sein,
dass seine Äußerungen und Aktivitäten Gegenstand von kommerziellen Auswertungen auch
außerhalb des jeweiligen Forums werden, auch wenn die Informationen allgemein zugänglich
sind. Deshalb sollten Unternehmen hier umsichtig agieren und die Interessen der Betroffenen
angemessen berücksichtigen (vgl. Leitlinie 7). Selbstverständlich sind unbedingt die rechtlichen
Rahmenbedingungen zu beachten. Vorzugswürdig ist stets die Analyse nur anonymisierter
Daten, bei denen die einzelne Person nicht mehr identifiziert werden kann (vgl. Leitlinie 3). Oftmals geht die Anonymisierung der Daten dabei nicht mit einem Erkenntnisverlust einher.
Weniger problematisch ist aber die Auswertung von Kommunikation und Aktivitäten der Nutzer,
die sich unmittelbar auf das Unternehmen selbst beziehen, beispielsweise weil der Nutzer eine
Fanseite besucht oder Nachrichten direkt an das Unternehmen geschickt hat. Letztlich sollte bei
jeder Information genau abgewogen werden, welche Interessen das Unternehmen überhaupt
hat und welche Interessen der Betroffenen der konkreten Verwendung möglicherweise entgegenstehen.
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Fragestellungen für Big-Data-Leitlinien
79
8
Leitlinien für den
Big-Data-Einsatz
82
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Leitlinien für den Big-Data-Einsatz
8Leitlinien für den Big-Data-Einsatz
Leitlinie 1 – Nutzen der Big-Data-Anwendungen prüfen
Big-Data-Anwendungen sollen einen klar erkennbaren Nutzen für die Verbraucher, Kunden oder
die Gesellschaft haben.
Leitlinie 2 – Anwendungen transparent gestalten
Big-Data-Anwendungen sollen transparent sein, so dass die Betroffenen erkennen können, welche
ihrer personenbezogenen Daten in welcher Weise verarbeitet werden.
Leitlinie 3 – Bevorzugt anonymisierte oder pseudonymisierte Daten verarbeiten
Soweit die Verarbeitung von anonymisierten oder pseudonymisierten Daten denselben Nutzen
für die Beteiligten hat, sind solche Verfahren vorzuziehen. Es gibt aber auch Verfahren, die sich
nur sinnvoll einsetzen lassen, wenn personenbezogene Daten verwendet werden.
Leitlinie 4 – Interessen der Beteiligten abwägen
Personenbezogene Daten dürfen verarbeitet werden, wenn berechtigte Interessen der verantwortlichen Stelle dies rechtfertigen und keine überwiegenden Interessen der Betroffenen entgegenstehen. Unter denselben Voraussetzungen ist es auch zulässig, Daten zu verwenden, die
ursprünglich für einen anderen Zweck erhoben wurden. Liegen diese Voraussetzungen nicht vor,
dürfen die Daten nur verarbeitet werden, wenn die Betroffenen einwilligen.
Leitlinie 5 – Einwilligungen transparent gestalten
Wenn die Datenverarbeitung in Big-Data-Verfahren auf eine Einwilligung gestützt wird, muss
die Einwilligung transparent sein, damit der Betroffene erkennen kann, welche Daten für welche
Zwecke verwendet werden.
Leitlinie 6 – Nutzen für Betroffene schaffen
Big-Data-Anwendungen sollten auch einen Nutzen für Betroffene haben, die ihre Daten für die
Bearbeitung zur Verfügung stellen.
Leitlinie 7 – Governance für personenbezogene Daten etablieren
Unternehmen sollten eine starke Governance etablieren, die eine gründliche Überprüfung von
Zulässigkeit und Notwendigkeit von Big-Data-Anwendungen garantiert, den verantwortungs­
vollen Umgang mit Big Data sichert und die Rechte und Interessen der Betroffenen wahrt.
Hierbei kommt dem betrieblichen Datenschutzbeauftragten eine wichtige Rolle zu.
Leitlinie 8 – Daten wirksam gegen unberechtigte Zugriffe schützen
Unternehmen, die Big-Data-Anwendungen einsetzen, setzen ausreichende technische und
organisatorische Schutzmaßnahmen ein, um unberechtigte Zugriffe auf personenbezogene
Daten zu verhindern.
Leitlinie 9 – Keine Daten zu ethisch-moralisch unlauteren Zwecken verarbeiten
Datenerhebungen, Verknüpfung von Daten oder andere Datenverarbeitungen zu ethisch-moralisch
unlauteren Zwecken sind zu unterlassen. Das gleiche gilt, wenn die Erhebung, Verknüpfung
oder Verarbeitung der Daten den Betroffenen schaden können.
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Leitlinien für den Big-Data-Einsatz
Leitlinie 10 – Datenweitergabe nach Interessenabwägung ermöglichen
Die Weitergabe von personenbezogenen Daten an Dritte ist mit Einverständnis möglich. Möglich ist sie auch nach einer Interessenabwägung, wobei der Weitergebende die Risiken zu
berücksichtigen hat, die sich aus der Zusammenführung mit anderen Datenbeständen beim
Empfänger ergeben könnten. Dabei ist sicherzustellen, dass der Betroffene informiert wird.
Leitlinie 11 – Selbstbestimmtes Handeln ermöglichen
Unternehmen, die Big-Data-Anwendungen einsetzen, ermöglichen dem Betroffenen durch
transparente Information über die Anwendungen und durch ergänzende Auskünfte selbstbestimmtes Handeln.
Leitlinie 12 – P
olitische Rahmenbedingungen vervollkommnen – Datenschutz und Daten­
nutzen neu abwägen
Big-Data-Anwendungen können einen hohen Nutzen für die Gesellschaft und für jeden Einzelnen haben. Nicht nur Unternehmen sind daher gefordert, sondern auch die Politik. Sie ent­
wickelt die Rahmenbedingungen so weiter, dass Big-Data-Anwendungen in Deutschland und der
Europäischen Union sinnvoll eingesetzt werden können, Rechte der Betroffenen angemessen
geschützt und ungerechtfertigte regulatorische Hindernisse abgebaut werden.
Die Weiterentwicklung einer datenbasierenden Wirtschaft in Deutschland und der Europäischen
Union ist ein wichtiges politisches Ziel. Deutsche Unternehmen dürfen hierbei keinen Wett­
bewerbsnachteilen gegenüber Unternehmen aus anderen EU-Staaten oder anderen Staaten der
Welt ausgesetzt sein.
Die Politik setzt einen Prozess auf, der die Weiterentwicklung des Datenschutzrechts auch nach
Verabschiedung der EU-Datenschutz-Grundverordnung zum Ziel hat.
Einhaltung der Leitlinien
Im Dialog zwischen Wirtschaft, Wissenschaft und Politik sollte erörtert werden, ob eine Selbstverpflichtung, ein Kodex oder eine weitere Regulierung zielführend ist.103
Es reicht nicht aus, Leitlinien für den Big-Data-Einsatz vorzugeben. Vielmehr muss deren
Ein­haltung glaubwürdig und wirksam überprüft werden. Dafür stehen zwei Möglichkeiten zur
Verfügung:
◼◼
die freiwillige Selbstkontrolle sowie
◼◼
die Zertifizierung.
Beide Möglichkeiten können auch kombiniert werden.
103Vgl. (Eckert et al, 2014, S. 18).
83
84
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Leitlinien für den Big-Data-Einsatz
Die freiwillige Selbstkontrolle ist insbesondere dann geeignet, wenn Rechtsgüter von Verbrauchern betroffen sind, da sich die Verbraucher über eine zentrale Stelle informieren und ggf.
Beschwerde einlegen können. Die freiwillige Selbstkontrolle gewährleistet Kontinuität bei der
Einhaltung der Leitlinien. Das ist insbesondere von Vorteil, wenn die dauerhafte Einhaltung
von organisatorischen Maßnahmen und Verhaltenspflichten sichergestellt werden soll. Die frei­willige Selbstkontrolle gilt als effizient, da die Einhaltung einzelner Punkte der Leitlinien anlassbezogen überprüft werden kann und nicht umfassend im Vorfeld durchgeführt werden muss.
Ist ein hoher und anerkannter Grad an Verbindlichkeit gewünscht bzw. erforderlich, lassen
sich aus nationalen und internationalen Standards, insbesondere den »EU-Principles for Better
Self and Co-Regulation«104, die folgenden Mindestanforderungen bezüglich der Durchsetzung
ableiten:
◼◼
Verbindliche Verpflichtungserklärungen der teilnehmenden Organisationen,
◼◼
Monitoring, Evaluierung und kontinuierliche Weiterentwicklung,
◼◼
effektive Beschwerdemechanismen und Streitbeilegung,
◼◼
wirksame Sanktionen.
Im Gegensatz zur freiwilligen Selbstkontrolle eignet sich eine Zertifizierung insbesondere dann,
wenn es um die Einhaltung von Vorgaben zu einem gewissen Zeitpunkt geht. Die Vorlage eines
Zertifikats (Siegels) kann einen Beitrag leisten, öffentliches Vertrauen in den Big-Data-Einsatz
aufzubauen.
104Vgl. (European Commission, ohne Jahresangabe).
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Leitlinien für den Big-Data-Einsatz
85
9
Big Data und Datenschutz:
Politischer Handlungsbedarf
88
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Big Data und Datenschutz: Politischer Handlungsbedarf
9Big Data und Datenschutz:
Politischer Handlungsbedarf
­Bitkom plädiert für einen fortwährenden gesellschaftlichen und politischen Diskurs, um gesellschaftlich akzeptierte Standards zu Big Data zu entwickeln. Chancen und Risiken müssen in
diesem Diskurs in einen angemessenen Ausgleich gebracht werden und an diesem Maßstab
sollten sich die rechtlichen Vorgaben orientieren. Bisher wurde Big Data lediglich unter
Schutzaspekten gesetzlich erfasst. Es gilt jedoch, positive Nutzungsregeln ins Auge zu fassen, die
der zentralen Bedeutung von Daten in einer Data Driven Economy gerecht werden (vgl. Leitlinie 12).
Der Entwurf der EU-Datenschutz-Grundverordnung bleibt hier noch hinter den Möglichkeiten
und Erfordernissen der Digitalisierung zurück. Um für Industrie 4.0, Big Data, Cognitive Computing und andere Innovationen günstige Rahmenbedingungen zu schaffen, muss ein politischer
Prozess für die Weiterentwicklung und praktische Umsetzung der Verordnung aufgesetzt werden.
Veraltetes Datenschutzrecht – ökonomische Risiken
Die datenschutzrechtlichen Rahmenbedingungen haben mit dem technologischen Fortschritt
nicht Schritt gehalten. Das deutsche Datenschutzrecht stammt im Kern aus den 70er Jahren des
20. Jahrhunderts. Big Data war damals noch Science-Fiction. Zwar können die abstrakten recht­
lichen Regelungen durchaus auch auf neue Technologien angewendet werden, das geht aber mit
erheblichen Rechtsunsicherheiten einher, die noch dadurch verstärkt werden, dass es in vielen
Verwendungszusammenhängen an Rechtsprechung fehlt, die die abstrakten Vorgaben ausreichend
konkretisieren würde. Es fehlen deshalb konkrete Leitlinien, an denen sich Betroffene, Behörden,
die Gesellschaft und Unternehmen orientieren können.
Die Verwaltungsstrukturen der Datenschutzaufsicht verstärken dieses Problem. Es existieren
17 Datenschutzbehörden und nur selten vertreten sie bei kontroversen Themen bis ins Detail die
gleichen Positionen. Durch das informelle Gremium »Düsseldorfer Kreis« versuchen die Aufsichtsbehörden zwar, eine gemeinsame Position zu entwickeln. Allerdings sind die resultierenden
Hinweise weder verbindlich noch weisen sie den notwendigen Detaillierungsgrad auf; selten
sind sie wirklich ausgewogen.
Diese Bedingungen begründen für Unternehmen ein erhebliches ökonomisches Risiko, denn
Big-Data-Projekte gehen mit nennenswerten Investitionen einher. Ein Mindestmaß an Rechts­
sicherheit bezüglich der datenschutzrechtlichen Bewertung ist deshalb unverzichtbar. In vielen
entscheidenden Fragen besteht jedoch das Risiko, dass eine Aufsichtsbehörde Maßnahmen
als unzulässig erachtet, die das Unternehmen aufgrund einer anderen Auslegung der abstrakten
rechtlichen Vorgaben für zulässig hielt.
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Big Data und Datenschutz: Politischer Handlungsbedarf
Grundlegende Zulässigkeitsfragen sind deshalb eindeutig zu klären:
◼◼
Wie weit geht der Personenbezug von Daten und wann gelten Daten als anonymisiert105?
◼◼
Ist die Anonymisierung selbst als Datenverarbeitung zu sehen, die einen gesetzlichen
Erlaubnistatbestand erfordert?
◼◼
Inwiefern greift die Zweckbindung und welche Befreiungen sind möglich?
◼◼
Ist die Verarbeitung von pseudonymisierten Daten unter erleichterten Voraussetzungen
zulässig?
Politischen Diskurs führen – positive Nutzungsregeln entwickeln
Notwendig und wünschenswert ist dabei nicht nur eine rechtliche Präzisierung, sondern auch
ein fortwährender gesellschaftlicher und politischer Diskurs, der es ermöglicht, gesellschaftlich
akzeptierte Standards zu Big Data zu entwickeln. Dabei besteht allerdings die Gefahr, dass
die Debatte sich einseitig auf die Risiken der Technologien konzentriert, ohne die Chancen
genügend zu würdigen.106
Es ist jedoch genauso unmoralisch und falsch, die Möglichkeit der Heilung von Krankheiten,
des Verhinderns von Katastrophen und der Verbesserung des Lebensstandards auszublenden,
wie es falsch ist, Risiken zu ignorieren.
Chancen und Risiken müssen stets in einen angemessenen Ausgleich gebracht werden und an
diesem Maßstab sollten sich die rechtlichen Vorgaben orientieren. Ganz konkret sollte Big Data
nicht – wie bisher – nur unter Schutzaspekten gesetzlich erfasst, sondern positive Nutzungs­
regeln ins Auge gefasst werden, die der zentralen Bedeutung von Daten in einer Data Driven
Economy gerecht werden. Das Recht muss begründete Sorgen und grundrechtliche Positionen
berücksichtigen, es darf aber nicht zu einem Institut verkommen, das den gesellschaftlichen
Mehrwert technologischer Entwicklungen – und der auch darin zum Ausdruck kommenden
Grundrechtsverwirklichungen – ausblendet.
Angesichts der globalen Nutzung von Big-Data-Produkten sind dabei auch die unterschiedlichen
kulturellen Sichtweisen zu berücksichtigen. Letztlich erstrebenswert wäre ein globaler Datenschutz, ähnlich einem Weltinformationsethos, wie er bereits auf dem ersten UNESCO-Kongress
über ethische und rechtliche Aspekte der digitalen Information im März 1997 in Monaco niedergeschrieben wurde.107
105Mit der Anwendung mathematischer Algorithmen ist es möglich geworden, persönliche Daten zu abstrahieren
und in synthetische Daten zu überführen. Diese haben die gleiche Qualität wie die Ursprungsdaten, sind
aber auf ihre Herkunft nicht mehr nachzuvollziehen. Diese neuen synthetischen Daten können nun beliebig
verwendet, verarbeitet und gespeichert werden. Unternehmen können mit diesen Daten genauso arbeiten
wie mit Originaldaten, ohne die Privatsphäre oder Gesetze zu missachten (vgl. (Wegner 2015)).
106Diese Tendenz besteht in Teilen der deutschen Medienlandschaft.
107Vgl. (INFOethics 1997).
89
90
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Big Data und Datenschutz: Politischer Handlungsbedarf
EU-Datenschutz-Grundverordnung weiterentwickeln
Zum Start der Verhandlungen über die Details der EU-Datenschutz-Grundverordnung forderte
­Bitkom Nachbesserungen108, denn neue Geschäftsmodelle auf der Grundlage von Technologien
wie Big Data, Cloud Computing oder Cognitive Computing hängen ganz wesentlich von der
konkreten Ausgestaltung der Datenschutz-Grundverordnung ab.
Werden die rechtlichen Grundlagen für die Verarbeitung von persönlichen Daten zu eng gefasst,
bleibt zu wenig Spielraum für Innovationen. In diesem Zusammenhang unterstreicht B
­ itkom,
dass eine einseitige Verengung der öffentlichen Diskussion auf Wirtschaft contra Bürgerrechte
an den Realitäten vorbei geht.
­Bitkom setzt sich für ein ausreichend flexibles Datenschutzrecht ein, das neue Anwendungen
ermöglicht, aber die Privatsphäre der Menschen schützt. Besonderes Augenmerk verdienen in
der geplanten Verordnung unter anderem die Themen Datensparsamkeit, Zweckbindung,
Einwilligung und Profilbildung.109
Rechtliche Anreize schaffen
Ein wesentlicher Schwachpunkt der aktuellen Entwürfe besteht in den hohen Anforderungen an
die Anonymisierung bei gleichzeitig fehlenden Anreizen für den Einsatz von Pseudonymisierungstechniken bei der Datenverarbeitung. In der Praxis ermöglicht die Anonymisierung z. B. die
Nutzung von Standortdaten von Personen bzw. deren Fahrzeugen für die Verkehrslenkung.
Anonymisierte, also irreversible de-personalisierte Daten fallen aus dem Anwendungsbereich
der Verordnung heraus, pseudonymisierte, also reversibel de-personalisierte Daten dagegen
nicht. Gerade diese sind aber für viele Anwendungen sinnvoll und ermöglichen z. B. eine sichere
und datenschutzfreundliche Auswertung der Krankheitsverläufe von Patienten für die medizinische Forschung. Die Analyse von Daten in pseudonymisierter Form führt in vielen Fällen zu
einem wesentlich besseren Schutz der Persönlichkeitsrechte des Einzelnen als die Auswertung
von Klardaten (mit Einwilligung). Daher müssten in der EU-Datenschutz-Grundverordnung
rechtliche Anreize und Erlaubnistatbestände geschaffen werden, damit Unternehmen dieses
Element von »Privacy by Design« auch einsetzen (können). Diese könnten darin bestehen, dass
die Verarbeitung pseudonymisierter Daten in weiterem Umfang zulässig ist als die Verarbeitung
von Klardaten. Setzen Unternehmen oder andere Organisationen die Instrumente der Pseudo­
nymisierung ein, sollte eine Verarbeitung der Daten erleichtert werden.
Datensparsamkeit und Zweckbindung
Einer Überarbeitung bedürfen auch die Grundprinzipien der Datensparsamkeit und der Zweckbindung bei der Datenerhebung. In einer digital vernetzten Welt spielen Datenvielfalt und
108Vgl. (­Bitkom, 2015b) sowie (Mühlich/Florian, 2015).
109Vgl. (Dehmler, 2015).
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Big Data und Datenschutz: Politischer Handlungsbedarf
Datenreichtum eine entscheidende Rolle. Wirtschaft und Gesellschaft sollten sich daher die
Datenvielfalt zunutze machen und dafür sinnvolle Regelungen finden. So ist es das Ziel von
Big-Data-Analysen, aus großen Mengen unterschiedlicher Daten neue Erkenntnisse zu gewinnen.
Mit diesem Ziel muss auch der Grundsatz in Einklang gebracht werden, dass personenbezogene
Daten nur für einen bestimmten Zweck verarbeitet werden dürfen. Eine Auswertung von Daten
sollte zulässig sein, soweit sie für die Betroffenen nicht nachteilig ist bzw. bestehende Risiken für
die Rechte Betroffener durch das Ergreifen von gegenläufigen Schutzmaßnahmen (z. B. Pseudonymiserung) adressiert werden. Die bereits im geltenden Recht angelegte grundsätzliche Erlaubnis,
Daten für eigene Geschäftszwecke zu verarbeiten oder weiterzuverarbeiten, wenn ein »berechtigtes Interesse« des Unternehmens an der Verarbeitung besteht und dem keine Interessen des
Betroffenen entgegenstehen, ist hierfür eine gute Basis. Bei diesem Abwägungsprozess sollte
grundsätzlich von einem berechtigten Interesse der Unternehmen bei einer Verarbeitung pseudo­
nymisierter Daten ausgegangen werden.
Informationspflichten sinnvoll gestalten
Die in der aktuellen Ratsfassung formulierten Informationspflichten bedeuten einen unzumutbaren Aufwand. Die Vorschriften über die Rechte der Betroffenen sollten deshalb mehrstufig
angelegt werden. So lassen sich das individuelle Informationsbedürfnis der Betroffenen und die
Begrenzung des Aufwandes bei den verantwortlichen Stellen in Einklang bringen. Die proaktiven
Informationspflichten sollten sich auf wirklich relevante Informationen beschränken. In einigen
Fällen wäre anstelle einer Benachrichtigung eine Hinweispflicht sinnvoll. Das ist zum Beispiel bei
der Videoüberwachung der Fall, bei der ein anderes Vorgehen gar nicht möglich ist. Möchte sich
der Betroffene daraufhin tiefer informieren, steht ihm ein weitergehendes Auskunftsrecht zu. Im
Anschluss an die erteilte Auskunft kann er dann die Rechte auf Berichtigung und Löschung
geltend machen.
Einwilligungen
Einwilligungen sollten dort zum Einsatz kommen, wo kein üblicher Erlaubnistatbestand für die
Datenverarbeitung oder ein besonderes Risiko für den Betroffenen besteht. Es darf keine zu
starren Formvorgaben geben. Wenn das Instrument Einwilligung zu inflationär gebraucht wird,
verliert es seine Warnfunktion, wird lästig und nicht mehr ernst genommen.
Die Informationspflichten sollten weiter entschlackt werden. Schwierig in Bezug auf Big Data
wird es insbesondere sein, den Betroffenen so zu informieren, dass er eine informierte Entscheidung treffen kann; bei der Zweitverwertung von Daten wird es oft gar nicht möglich sein, den
Betroffenen für eine Einwilligung direkt zu adressieren. In vielen Fällen wie z. B. bei Verwendung
von nur pseudonymisiert gespeicherten Daten wird es nicht möglich und auch nicht unbedingt
im Sinne des Betroffenen sein, hierfür eine Einwilligung einzuholen. Hier wäre der Erlaubnistatbestand auf Basis einer Interessenabwägung sinnvoll und würde die Erprobung neuer Datenverarbeitungsmethoden unterstützen sowie den administrativen Aufwand begrenzen.
91
92
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Autorenverzeichnis
10 Autorenverzeichnis
Prof. Dr. Christoph Bauer ePrivacy GmbH
Martin Birkmeier FIR e. V. an der RWTH Aachen
Arnd Böken Graf von Westphalen Rechtsanwälte Partnerschaft
Dr. Mikio L. Braun Technische Universität Berlin
Patrick von Braunmühl Selbstregulierung Informationswirtschaft e. V.
Florian Buschbacher PricewaterhouseCoopers AG Wirtschaftsprüfungsgesellschaft
Martin Buske DataXu GmbH
Susanne Dehmel Bitkom e. V.
Guido Falkenberg Software AG
Dr. Jörg Friedrichs Deutsche Telekom AG
Andreas Hufenstuhl CSC Deutschland GmbH
Prof. Dr. habil. Christoph Igel Deutsches Forschungszentrum für Künstliche Intelligenz
Dr. Thomas Keil SAS Institute GmbH
Ralf Konrad T-Systems International GmbH
Holm Landrock Experton Group AG
Dr. Mario Lenz empolis GmbH
Dr. Ralf Meinberg Deutsche Telekom AG
Dr. Flemming Moos, Osborne Clarke
Steffen Nienke FIR e. V. an der RWTH Aachen
Swen Obermann Capgemini Deutschland GmbH
Dr. Jens Schefzig Osborne Clarke
Barbara Schmitz Kabel Deutschland Vertrieb und Service GmbH
Markus Schröder Tembit Software GmbH
Maximilian Thess Lemma Group UG
Dr. Carlo Velten Crisp Research AG
Dr. Mathias Weber Bitkom e. V.
Alexander Widak Fiducia & GAD IT AG
Dr. Frank Wisselink Detecon International GmbH
Dr. Andreas Zolper Deutsche Telekom AG
Weiterhin haben mitgewirkt:
Dr. Dirk Mahnkopf Cisco Systems GmbH
Henning Saul GFT Technologies AG.
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Verzeichnis der Abkürzungen
11 Verzeichnis der Abkürzungen
Abkürzung
Bedeutung
AGB
Allgemeine Geschäftsbedingungen
AutoID
Automatische Identifikation und Datenerfassung oder Automatische Identifizierung
BDSG
Bundesdatenschutzgesetz
­Bitkom
Bundesverband Informationswirtschaft, Telekommunikation und neue Medien e. V.
BMBF
Bundesministerium für Bildung und Forschung
BMWi
Bundesministeriums für Wirtschaft und Energie
CPPS
Cyber Physical Production System
CPS
Cyber Physical System
DRMS
Data Rights Management System
EG
Europäische Gemeinschaft
EKG
Elektrokardiogramm
ETH
Eidgenössische Technische Hochschule
EU
Europäische Union
EuGH
Europäische Gerichtshof
EWR
Europäischer Wirtschaftsraum
GPS
Global Positioning System
HPA
Hamburg Port Authority
IoT
Internet of Things
M2M
Machine-to-Machine Communication
NCT
Nationales Centrum für Tumorerkrankungen
RFID
Radio-frequency Identification
RWTH
Rheinisch-Westfälische Technische Hochschule
SIT
Fraunhofer-Institut für Sichere Informationstechnologie
URL
Uniform Resource Locator
Wifi
Wireless Fidelity
WLAN
Wireless Local Area Network
ZEW
Zentrum für Europäische Wirtschaftsforschung
WLAN
Wireless Local Area Network
ZEW
Zentrum für Europäische Wirtschaftsforschung
93
94
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Sachwortverzeichnis
12 Sachwortverzeichnis
Adaptivität
dynamische  36
statistische  36
Business
Software-defined  56
Business Intelligence  37
Datenschutzrecht  52, 63, 64, 90, 98,
100
deutsches  88
Akzeptanz  50, 66
Campus-Management-System  36
Datensicherheit  69
Algorithmus
Car-to-Car-Communication  40
Datensparsamkeit  90
Ethik  69
Chancengleichheit  17
Datenvielfalt  91
selbstlernender  37
Charité  26, 27
Datenwirtschaft  15, 22, 56, 58
Analytics Capability  58
Chemotherapie  27
Deutschland  15, 22, 23, 26, 50, 83, 101
Anonymisierung  51, 52, 79, 90
Claas  38, 102
Diagnostik
Anonymisierungsprozess  66
Cloud Computing  23, 29, 56, 90, 97
Anreicherung
Cloud-Lösung  30
Digital Customer Experience  57
Cloud-Technologie  15
Digitalisierung  16, 22, 39, 43, 62, 88, 100
CO2-Emission  24
Discovery  30
digitale  22
Apple  98
medizinische  14
Cognitive Computing  32, 57, 62, 88, 90
Düsseldorfer Kreis  88
Connected Car  22
Echtzeit-Bietsystem  42
Auskunftsrecht  91
Cookies  42
Educational Data Mining  36
Auto
Customer Journey  65
Einkaufszentrum  41
autonomes  40
Data Driven Economy  18, 88, 89
Einwilligung  90
Bankdienstleistung  37
Data Economy  57
EKG-Daten  27
Behandlungsmuster  51
Data Mining  74
EKG-Signal  29
Best Practices  72
Data Rights Management System  76
Energieversorger  33
Betrugsbekämpfung  38
Data Scientist  62, 68, 69
Erbkrankheit  15
Bevölkerung
Daten
Erdbebenfrüherkennung  34
Assistenzsystem
selbstlernendes  38
anonymisierte  79, 82
Ethik  26, 69
Bewegungsdaten  24
besondere  72
Ethik-Kommission  73
Big Brother  71
biometrische  29
EU-Datenschutz-Grundverordnung  15,
Big Data  14
Eigentum  58
alternde  29
16, 62, 63, 83, 88, 90
internationale Dimension  63
Inhaberschaft  74
Extremsituation  34
positive Nutzungsregel  89
Löschung  75
Extremwetterlage  33
Risiken  15
personenbezogene  51, 67
Fabrik
Big Data Analytics  78
pseudonymisierte  67, 82
Big-Data-Anwendung
Verwertungsrecht  58
Facebook  37, 71
Weitergabe  83
Finanzdienstleister  37
Nutzen  82
intelligente  44
Big-Data-Technologie  15
Datenanalysemethode  70
Finanzdienstleistung  22
Bildungscontrolling  37
Datenbestätigung  77
Finanzkrise  34
Bildungsnetz
Datenkultur  58
Fitness  30
Datensammlung
Fitnessarmband  29
Intelligentes  35
Biodiversität  33
automatisierte  14, 62
Fitnesstracker  29
Datenschutz  14
Flottenlösung  24
Datenschutzaufsicht  88
Flutinformations- und Warnsystem  31
Bonität  78
Datenschutzbeauftragter  82
Forensik  14
Bonitätsprüfung  78
Datenschutzbehörde  88
Forschung
Bundesregierung  23
Datenschutzkonformität  72
Bürgerdialog  66
Datenschutzniveau  65
Bitkom  15, 16, 22, 23, 27, 31, 32, 44, 62,
71, 88, 90, 98, 99, 100, 101, 102
medizinische  14
Frühgeborenen-Sterblichkeit  28
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Sachwortverzeichnis
Frühgeborenes  15, 28
Geldwäsche  38
Infrastruktur
kritische  32
Marktregulierung  67
Medikament
Generali  30
Instagram  31
personalisiertes  15
Geschäftsgeheimnis  67, 71
Intelligenz  44, 70, 102
Medizin  66
Geschäftsmodell  15
Künstliche  36
Mobilität  22
datengetriebenes  56
Interessenabwägung  75, 83, 91
Mobilitätsforschung  40
softwaregetriebenes  57
Internet  22
Mukoviszidose  28
Gesundheit  51
Internet der Dinge  22, 40, 57
Mustererkennung  30, 42
Gesundheits-App  30
IT-Sicherheit  23
Nahverkehr
Gesundheitsprognose  78
Kataster  31
Gesundheitswesen  15, 22, 26
Katastrophenmanagement  31
Gesundheitszustand  30
Klimaforschung  34
Google  71
Kodex  83
Naturkatastrophe  34
Governance  82
Korrektiv
Neonatologe  28
GPS-Daten  57
ethisch-moralisches  72
öffentlicher  25
Nationales Centrum für
Tumorerkrankungen  27
Netflix  57
Graphendatenbank  38
Kraftstoffverbrauch  25
Grundrechtsverwirklichung  89
Krankenkasse  30, 51
Hafenwirtschaft  26
Krankenversicherung  78
Nudging  73
Hamburg Port Authority  25
Kranker
Online-Assessment-Verfahren  36
Hamburger Hafen  25
Handlungsbedarf
chronisch  15
Netzwerk
Soziales  78
Online-Dienst  42
Krebs  27
Online-Marketing  41
Krebserkrankung  15
orwellsche Welt  16
Hasso-Plattner-Institut  27
Krebsregister  26
Outdoor Analytics  40
Herzkrankheit
Kreditentscheidung  37
Politik  15
Kreditprozess  37
Predictive Policing  32
Kriminalitätsvorbeugung  32
Privacy by Default  74
politischer  17
koronare  29
Hindernis
regulatorisches  83
Kundenintegrations-Portal  66
Privacy by Design  74, 90
Hochwasserschutz  14
Künstliche Intelligenz  36
Privacy-Preserving Data Mining  52
Hochwasserschutzzentrale  31
Landwirtschaft  22, 38
Privatsphäre  15, 89, 90
Indoor Analytics  41
Learning-Management-System  36
Product
Industrialisierung
Leitlinien
datengestützte  39
Industrie
pharmazeutische  28
Industrie 4.0  15, 22, 42, 43, 44, 62, 88,
100
ethische  15
Software-defined  56
Produktionssystem  44
Lern- und Forschungsfabrik  35
Profilbildung  90
Lernermodell  36
Programmatic Advertising  42
Lernumgebung
Prozessmanagement  17, 72
personalisierte  35
Pseudonymisierung  90
Infarktpatient  29
Level Playing Field  65
Pulsarmband  30
Information
Logdaten  32
Quantified Self  30
Logistik  24
Real Time Bidding  42
Informations- und Pressefreiheit  77
Lokationsdaten  41, 45
Rechtsordnung  64
Informations- und
Löschkonzept  76
Rechtssicherheit  62
Löschrecht  77
Rechtsvereinheitlichung  64
Machine Learning  56
Regulierung  17, 83
Makula-Degeneration  28
Richtlinie 95/46 EG  63
Verfallsdatum  75
Wissensdatenbank  36
Informations- und Wissensplattform  36
95
96
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Sachwortverzeichnis
Routenplanung  25
Unternehmensorganisation  17
Safe Harbor  65
USA  32
Sanktionierung  73
Verbraucherdatenmanagement  57
Schweizer Bahn  24
Verbraucherkredit  37
sd-kama  31, 102
Verbraucherrecht  37
Seculytics  52
Verbraucherservice-Cockpit  66
Selbstbestimmung
Verbrechensbekämpfung  66
informationelle  74, 75
Selbstkontrolle  83
Selbstregulierung
Informationswirtschaft e. V.  92
Verfallsdatum  75
Vergessenwerden
Recht  16, 63, 75
Verkehrsplanung  14
Selbstverpflichtung  17, 83
Verkehrssteuerung  39
Senior  15
Verkehrsüberwachung  14
Sensorik  57
Versicherungsbeitrag  30
Sensor-Technologie  15
Versicherungsbetrug  38
Service-Marktplatz  26
Versicherungstarif
Siegel  84
risikoorientierter  73
Smart Factory  42
Versicherungswesen  73
Smart Grid  23
Vertrauen  62
Smart Meter  23, 33
Vertrauensentwicklung  14
Smart Meter Gateway  33
Videoüberwachung  91
Smart Metering  23
Vitaldaten  29
Smart Operation  42
Vitalparameter  15, 29, 30
Smart Port Logistics  25
Weinbau  39
Smart Product  42
Weltinformationsethos  89
Smart Service  42
Werbeeinblendung  42
smartPORT logistics  26
Widerspruchsmöglichkeit  68
Solidargemeinschaft  73
Wildlife Picture Index  33
Solidaritätsprinzip  73
Wirtschaft
Sozialleistungen  50
datenbasierte  83
Start-up  15
Wirtschaftswissenschaft  33
Start-up-Unternehmen  37
Wissensdienst
Stromnetz
intelligente intelligentes  23
Intelligenter  36
Wissensmodell  36
Swisscom  24
WLAN  39
Telekommunikation  22, 44
YouTube  31
Telekommunikationsinfrastruktur  44
Zalando  57
Tesla  57
Zertifikat  84
Transparenz  14, 50, 62, 66, 71, 82
Zertifizierung  83
Dimensionen  67
Treibstoffverbrauch  24
Umsatzsteuerkarussell  50
Umwelt-Monitoring  33
UNESCO  89
Zugriffe
unberechtigter  82
Zweckbindung  51, 89, 90
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Quellen
13 Quellen
acatech (Herausgeber): Smart Service Welt. Umsetzungsempfehlungen für das Zukunftsprojekt
Internetbasierte Dienste für die Wirtschaft. Berlin, März 2014.
Bauer, Christoph: »Big Data und Datenschutz – ein lösbarer Konflikt?«, Datenschutz-Berater,
Nr. 11, 2013, S. 248–24.
Bauer, Christoph: »Big Data und Datenschutz – geht das?«, Datenschutz-Berater, Nr. 3, 2013, S. 65.
Big Data und Information Governance – Datenflutsteuerung mit Verantwortung.
http://www.bigdata-insider.de/recht-sicherheit/articles/465661/ sowie
http://www.cloudcomputing-insider.de/plattformen/datenbanken-big-data/articles/471738
Big Data: Tim Berners-Lee verlangt mehr Datenschutz.
http://www.silicon.de/41604472/big-data-tim-berners-lee-verlangt-mehr-datenschutz
­Bitkom Research: Mit Daten Werte schaffen – Report 2015. Studie der ­Bitkom Research GmbH im
Auftrag der KPMG AG Wirtschaftsprüfungsgesellschaft. Juni 2015. Vgl.: http://www.kpmg.
com/DE/de/Documents/mdws-survey-2015-kpmg.pdf (abgerufen am 08. Juli 2015).
­Bitkom, 2012: Big Data im Praxiseinsatz – Szenarien, Beispiele, Effekte. Leitfaden.
­Bitkom, 2013: Wie Cloud Computing neue Geschäftsmodelle ermöglicht. Leitfaden.
­Bitkom, 2014: Big-Data-Technologien – Wissen für Entscheider. Leitfaden.
­Bitkom, 2015: Big Data und Geschäftsmodell-Innovation in der Praxis: 40+ Beispiele. Leitfaden.
­Bitkom, 2015a: Kognitive Maschinen – Meilenstein in der Wissensarbeit. Leitfaden.
­Bitkom, 2015b: Datenschutz: EU-Datenschutzverordnung muss Innovationen ermöglichen,
Presseinformation des ­Bitkom vom 24. Juni 2015, http://www.bitkom.org/de/presse/8477_82534.aspx (abgerufen am 24. Juni 2015).
Blumtritt, Jörg, Datarella GmbH, BYOD – Bring your own data. Die Chancen und Schwierigkeiten
von selbsterhobenen Patientendaten. Vortrag auf dem 1. Meeting des AK Big Data, 29. Januar
2015 (­Bitkom-Mitgliederweb).
BMWi, 2015: Vgl. http://www.digitale-technologien.de/DT/Navigation/DE/Foerderprogramme/
Smart_Data/Begleitforschung/begleitforschung.html (abgerufen am 9. Juli 2015).
Bögershausen, Anne, Hewlett-Packard GmbH: Big Data im Umwelt-Monitoring: Earth Insight –
Wildlife Picture Index Analytics System, Vortrag auf dem Meeting der B
­ itkom-Arbeitskreise
Big Data und E-Government, Köln, 27. November 2014.
97
98
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Quellen
Bohsem, Guido: Gesundheits-Apps – Überleben ist wichtiger als Datenschutz. 3. August 2015. Vgl.
http://www.sueddeutsche.de/digital/gesundheit-der-digitale-patient-1.2591921 (abgerufen
am 4. August 2015).
Böken, Arnd, GvW: Leitlinien für den Datenschutz bei Big-Data-Projekten. Vortrag auf dem 1. Big
Data Summit (24.06.2013) des ­Bitkom.
Bruysten, Tim: Unter der Datenflagge – Big-Data-Schätze im E-Commerce heben. Vortrag auf
dem TDWI-Jahreskongress 2015.
Buschbacher, Florian: Big-Data-Ethik-Kodex: Ziele, Bereitschaft und mögliche Grundsätze. Vortrag auf dem 3. Big Data Summit (25. Februar 2015, www.bitkom-bigdata.de).
Charta der digitalen Vernetzung, Hamburg, 21. Oktober 2014, Nationaler IT-Gipfel,
http://charta-digitale-vernetzung.de
cio.de, 5. August 2015: AOK Nordost – Die Apple Watch auf Rezept.
Vgl. http://www.cio.de/a/die-apple-watch-auf-rezept,3245254?tap=ba569f8fd3d041cb4c5675eed6a210a5&r=964613837697337&lid=438767&pm_ln=45
Crisp Research: Datability – Der Markt für datenbasierte Produkte und Services. 2014. Vgl. auch
die Presseinformation des ­Bitkom »Großes Wachstum bei Big Data« vom 05.03.2014:
https://www.bitkom.org/Presse/Presseinformation/Pressemitteilung_4293.html (abgerufen
am 7. August 2016).
Dabrock, Peter: Freiheit, Selbstbestimmung, Selbstkonstruktion – zur Ethik von Big Data. Jahrestagung des Deutschen Ethikrates »Die Vermessung des Menschen – Big Data und Gesundheit«, Berlin, 21. Mai 2015. Vgl. http://www.ethikrat.org/dateien/pdf/jt-21-05-2015-dabrock.
pdf (abgerufen am 30. August 2015).
Dammann, Ulrich, In: Simitis, Spiros: Bundesdatenschutzgesetz, 8. Auflage 2014, § 3 Rn. 205 ff.
Daniel, Kai, RWE: Chancen und Risiken der Verarbeitung großer Datenmengen im Energienetz
der Zukunft. Vortrag auf dem 2. ­Bitkom Big Data Summit, 26. März 2014.
Data 4 Development – the Orange France Telecom initiative in Ivory Coast.
http://www.d4d.orange.com/home.
Dehmel, Susanne: Big Data und europäisches Datenschutzrecht. ­Bitkom-Positionspapier,
04.02.2015, Vgl.: https://www.bitkom.org/­Bitkom/Publikationen/Big-Data-und-europäisches-Datenschutzrecht.html (abgerufen am 21. Juli 2015).
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Quellen
Deutsche Bahn 2015: Digitale Revolution bei der DB – Größter Umbruch seit der Bahnreform. Vgl.
http://www.deutschebahn.com/de/presse/themendienste/9103824/medienpaket_digitalisierung.html (abgerufen am 20. August 2015).
Deutsche Telekom: Leitsätze der Deutschen Telekom zu Big Data. Vgl. https://www.telekom.com/
static/-/205806/2/big-data-leitlinien-si (abgerufen am 26. August 2015).
DIN 66398 – Leitlinie zur Entwicklung eines Löschkonzepts mit Ableitung von Löschfristen für
personenbezogene Daten. Vgl.: http://www.nia.din.de/cmd?level=tpl-art-detailansicht&committeeid=54738935&artid=227394449&languageid=de&bcrumblevel=2
Doing good with analytics: the pledge.
https://duncan3ross.wordpress.com/2012/11/03/doing-good-with-analytics-the-pledge
Doing good with data. http://duncan3ross.wordpress.com/2012/10/25/doing-good-with-datathe-case-for-the-ethical-data-scientist
Dornacher, Christian, Hitachi Data Systems GmbH: Shinkansen – Oder warum Züge pünktlich
kommen (können)! Vortrag auf dem 3. ­Bitkom Big Data Summit, 25. Februar 2015.
Dörner, Stephan: Krankenkassen bezuschussen die Apple Watch. In: Die Welt, 6. August 2015,
S. 10.
Dörner, Stephan; Seibel, Karsten: Prüft Facebook die Bonität? Der Freundeskreis könnte über die
Kreditwürdigkeit entscheiden. In: Die Welt, 7. August 2015, S. 15.
Drilling, Thomas; Litzel, Nico: Ein Netzwerk des Guten schaffen – Goethe Universität fördert
Big-Data-Nutzung zum Wohl der Allgemeinheit. 23. Juli 2015. Vgl. http://www.bigdata-insider.de/analytics/articles/498342/?cmp=nl-274 (abgerufen am 4. August 2015).
Eckert, Klaus-Peter; Henckel, Lutz; Hoepner, Petra: Big Data – ungehobene Schätze oder digitaler
Albtraum. Fraunhofer FOKUS, März 2014.
Engeser, Manfred: Die Macht der Daten schlägt in allen Branchen durch. Vgl.: URL:
http://www.cio.de/2958578 (abgerufen am 23. Juli 2014).
Ernst & Young GmbH: Kosten-Nutzen-Analyse für einen flächendeckenden Einsatz intelligenter
Zähler. Endbericht zur Studie im Auftrag des Bundesministeriums für Wirtschaft und Technologie, Juli 2013. Vgl. http://www.bmwi.de/DE/Mediathek/publikationen,did=586064.html
EuGH: Urteil des Gerichtshofs (Große Kammer) vom 13. Mai 2014. Vgl.: http://curia.europa.eu/
juris/document/document.jsf?text=&docid=152065&pageIndex=0&doclang=DE&mode=req&dir=&occ=first&part=1 (abgerufen am 31. Juli 2015).
99
100
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Quellen
Europäische Kommission, 2. Juli 2014: Für eine florierende datengesteuerte Wirtschaft. Mitteilung der Kommission an das Europäische Parlament, den Rat, den Europäischen Wirtschaftsund Sozialausschuss und den Ausschuss der Regionen. Brüssel, COM(2014) 442 final.
European Commission, ohne Jahresangabe: http://ec.europa.eu/information_society/newsroom/cf/dae/document.cfm?doc_id=1628 (abgerufen am 28. Juli 2015).
Graubner-Müller, Alexander, Kreditech Holding SSL GmbH: Einsatz von Big Data in der »Consumer Online Finance«-Industrie. Vortrag auf dem 3. ­Bitkom Big Data Summit, 25. Februar 2015.
Grzanna, Marcel: Der Orwell'sche Bürger. 02.07.2015, vgl. http://www.heise.de/tr/artikel/Der-Orwell-sche-Buerger-2663947.html (abgerufen am 20. August 2015).
Handelsblatt Research Institute (im Auftrag der Deutschen Telekom), März 2015: Datenschutz
und Big Data – Ein Leitfaden für Kunden. (http://www.telekom.com/medien/konzern/270672).
Handelsblatt Research Institute (im Auftrag der Deutschen Telekom), März 2015: Datenschutz
und Big Data – Ein Leitfaden für Unternehmen. (http://www.telekom.com/medien/konzern/270672).
Heise online, 24. Januar 2011, »Digitaler Radiergummi« ist gestartet. Vgl. http://www.heise.de/
newsticker/meldung/Digitaler-Radiergummi-ist-gestartet-1175979.html (abgerufen am
31. Juli 2015).
Hofstetter, Yvonne: Big Data und die Macht des Marktes. Aus Politik und Zeitgeschichte, 65. Jg,
11-12/2015, 09. März 2015, S. 33–38.
INFOethics 1997: First International Congress on Ethical, Legal, and Societal Aspects of Digital
Information. Vgl. http://portal.unesco.org/ci/en/ev.php-URL_ID=5379&URL_DO=DO_
TOPIC&URL_SECTION=201.html (abgerufen am 25. August 2015).
Informationsethik und digitale Gesellschaft. http://www.forum-privatheit.de/forum-privatheit-de/aktuelles/veranstaltungen/veranstaltungshinweise/vergangene-veranstaltungen/
ringvorlesung-informationsethik-und-digitale-gesellschaft.php
Jakobs, Joachim; Litzel, Nico: Übernimmt künstliche Intelligenz die Steuerung? efahren von Big
Data, der Digitalisierung und Industrie 4.0, Teil 2. 20. Februar 2015, Vgl.
http://www.bigdata-insider.de/recht-sicherheit/articles/475100/?cmp=nl-274
Jakobs, Joachim; Litzel, Nico: Viele Daten, viele Risiken? Gefahren von Big Data, der Digitalisierung und Industrie 4.0, Teil 1. 28. Januar 2015. Vgl.
http://www.bigdata-insider.de/recht-sicherheit/articles/472572
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Quellen
Juran, Sabrina, United Nations Population Fund (UNFPA); Gerland, Patrick, United Nations
Department of Economic and Social Affairs (UNDESA), Population Division: Mobilizing a Data
Revolution for Sustainable Development.
http://paa2015.princeton.edu/uploads/153811 (abgerufen am 15. Juni 2015).
Kemeröz, Tamer, media transfer AG; Kremer, Werner, T-Systems International GmbH: IT Sicherheit in kritischen Infrastrukturen am Praxisbeispiel des Deutschen Smart Meter Roll-Outs.
Vortrag auf dem 3. ­Bitkom Big Data Summit, 25.02.2015.
Kempf, Dieter: »Daten sind ein viel zu kostbares Gut, um sie ungenutzt liegen zu lassen«, Keynote auf dem Safer Internet Day (10. Februar 2015). Vgl. http://www.digitalewelt.org/content/
daten-sind-ein-viel-zu-kostbares-gut-um-sie-ungenutzt-liegen-zu-lassen.
Kempf, Dieter: Sind Daten die Währung von morgen? Rede im ZEW Mannheim, 2. März 2015.
Klemm, Balázs, Almax Capital GmbH & Co. KG; Eckl, Horst, Clueda AG, München: Visualisierung
des Risikonetzwerkes im Finanzdienstleistungsbereich. Vortrag auf dem 3. ­Bitkom Big Data
Summit, 25. Februar 2015.
Knowledge@Detecon (2015): Future Telco Reloaded – Strategien für eine erfolgreiche Positionierung im Wettbewerb, DETECON Consulting, Köln 2015.
Koelwel, Dunja: Feiner als das Bauchgefühl: Polizei will künftige Tatorte mittels Software voraussagen. Vgl. http://xethix.com/feiner-als-das-bauchgefuehl-polizei-will-kuenftige-tatorte-mittels-software-voraussagen
Kreibich, Rolf: Von Big zu Smart – zu Sustainable? Aus Politik und Zeitgeschichte, 65. Jg,
11–12/2015, 9. März 2015, S. 20–26.
Kühling, Jürgen: Big Data: Aufgeben oder Aufgabe? Vgl.
http://www.faz.net/aktuell/politik/die-gegenwart/datenschutz-big-data-aufgeben-oder-aufgabe-13335705.html (abgerufen am 28. Juli 2015).
Landrock, Holm; Schonschek, Oliver; Gadatsch, Andreas: Big Data Vendor Benchmark 2015 –
Big-Data-Lösungsanbieter im Vergleich. Eine Untersuchung der Experton Group AG. München, September 2014.
Langkafel, Peter: Dr. Algorithmus? Big Data in der Medizin. Aus Politik und Zeitgeschichte, 65. Jg,
11–12/2015, 9. März 2015, S. 27–32.
Lixenfeld, Christoph (21. Februar 2014). Big Data in Echtzeit – Lokführer bekommt Zug-Tempo aufs
iPad, http://www.cio.de/a/lokfuehrer-bekommt-zug-tempo-aufs-ipad,2947072
101
102
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Quellen
Mayer-Schönberger, Viktor: Delete: Die Tugend des Vergessens in digitalen Zeiten. University
Press, Berlin 2010.
Mayer-Schönberger, Viktor: Zur Beschleunigung menschlicher Erkenntnis. Aus Politik und Zeitgeschichte, 65. Jg, 11–12/2015, 9. März 2015, S. 14–19.
Menschenwürde untergraben – Hatte Orwell mit Big Brother doch recht?
http://www.cio.de/a/hatte-orwell-mit-big-brother-doch-recht,3100603
Moos, Flemming, Osborne Clarke: Regeln für die Nutzung identitätsrelevanter Daten bei Big
Data: welche Anforderungen stellen Datenschutzrecht und Datenschutzaufsichtsbehörden?
Vortrag auf dem 1. Meeting des AK Big Data, Januar 2015.
Morozov, Evgeny: »Ich habe doch nichts zu verbergen«. Aus Politik und Zeitgeschichte, 65. Jg,
11–12/2015, 9. März 2015, S. 3–7.
Mühlich, Regina; Stocker Florian: Datenschutz in der Industrie 4.0. 24. Juni 2015, http://www.
bigdata-insider.de/recht-sicherheit/articles/492000/ (abgerufen am 24. Juni 2015).
Niemann, Fabian: 23 Fragen zu Big Data und Recht, Checkliste, Vgl.:
https://www.artegic.de/big-data-und-recht (abgerufen am 15. Juni 2015).
Nold, Andreas: Am Puls der Zeit – Analyse Sozialer Netzwerke. In: Vitako aktuell, 1/2013, S. 16–17.
Petersberger Erklärung: Digitalisierung der Gesellschaft – Selber gestalten statt sich überrollen
zu lassen! http://www.comma-soft.com/veranstaltungen/petersberger-gespraeche/
petersberger-erklaerung
Petri, Thomas: Datenflut und Datenschutz – Rechtsfragen. Jahrestagung des Deutschen Ethikrates »Die Vermessung des Menschen – Big Data und Gesundheit«, Berlin, 21. Mai 2015. Vgl.
http://www.ethikrat.org/dateien/pdf/jt-21-05-2015-petri.pdf (abgerufen am 30. August 2015).
PIK (Potsdamer Institut für Klimafolgenforschung, 2014): https://www.pik-potsdam.de/news/
press-releases/archive/2014/new-forecasting-method-predicting-extreme-floods-in-the-andes-mountains (abgerufen am 2. Juli 2015).
Pluta, Werner (02.04.2008): Interview: »Daten brauchen ein Verfallsdatum«. Golem.de im
Gespräch mit Harvard-Professor Viktor Mayer-Schönberger. Vgl.
http://www.golem.de/0804/58721.html (abgerufen am 31. Juli 2015).
Porzig, Alf; Vospeter, Philip: Group Wide Machine Data Analytics @ CLAAS. Vortrag auf dem
3. ­Bitkom Big Data Summit 2015, Vgl. http://www.bitkom-bigdata.de/programm/2015-02-25/
group-wide-machine-data-analytics-claas (abgerufen am 29. Juli 2015).
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Quellen
Projektgruppe Smart Data der Arbeitsgruppe 2 »Vernetzte Anwendungen und Plattformen für
die digitale Gesellschaft«: Smart Data – Potenziale und Herausforderungen. Strategiepapier
für den Nationalen IT Gipfel 2014.
Reißmann, Ole: Recht auf Vergessen: Google entfernt SPIEGEL-Artikel aus Suchergebnissen.
04.07.2014. Vgl. http://www.spiegel.de/netzwelt/netzpolitik/recht-auf-vergessen-google-entfernt-spiegel-artikel-aus-treffern-a-979255.html#ref=rss (abgerufen am 31. Juli 2015).
Roland Berger Strategy Consultants/BDI: Die digitale Transformation der Industrie. Eine europäische Studie von Roland Berger Strategy Consultants im Auftrag des BDI, Berlin 2015.
Rülke, Kai: Geschwindigkeit ist keine Hexerei – viele Einzelmaßnahmen ergeben eine leistungsfähige Big-Data-Anwendung. In: Vitako aktuell, 1/2013, S. 12–13.
Schallaböck, Jan, iRights.Lab (o.J.): Big Data – Themenpapier zum Projekt »Braucht Deutschland
einen Digitalen Kodex«.
Schlegel, Victor, Swisscom (Schweiz) AG: Mobility Insights. Vortrag auf dem 3. ­Bitkom Big Data
Summit, 25. Februar 2015.
Schreier, Jürgen; Litzel, Nico: Großprojekt zu Big Data in der Produktion gestartet. 7. Oktober 2014,
vgl. https://www.bigdata-insider.de/industrie40/articles/461865 (abgerufen am 22. Juli 2015).
Simon, Anja, Deutsche Lufthansa AG: Big Analytics: Fliegen nach Plan – Streckennetzplanung
und Marktprognose bei der Lufthansa. Keynote auf dem 2. ­Bitkom Big Data Summit, 26. März
2014.
Smolan, Rick; Erwitt Jennifer (Herausgeber): The Human Face of Big Data. AAO Against All Odds
Productions, 2013.
Steinebach Martin, Fraunhofer SIT: Ergebnisse des Bürgerdialogs Big Data. Vortrag im B
­ itkomArbeitskreis Big Data, 29. Januar 2015.
Steinebach, Martin; Winter, Christian; Halvani, Oren; Schäfer, Marcel; Yannikos, York: Chancen
durch Big Data und die Frage des Privatsphärenschutzes. Begleitpapier Bürgerdialog, Fraunhofer-Institut für Sichere Informationstechnologie. SIT Technical Reports SIT-TR-2015-06,
März 2015. https://www.sit.fraunhofer.de/fileadmin/dokumente/studien_und_technical_
reports/Big-Data-Studie2015_FraunhoferSIT.pdf (abgerufen am 8. Juli 2015).
Stolberg, Martin: Analytics für Compliance – In-Memory erkennt Muster von Betrügern. 24. Juni
2015, Vgl. http://www.cio.de/a/in-memory-erkennt-muster-von-betruegern,3109322?tap=ba569f8fd3d041cb4c5675eed6a210a5&r=964612932997338&lid=429298&pm_ln=56 (Abruf
am 24.06.2015)(abgerufen am 26. August 2015).Ulbricht, Carsten: Schwieriges Terrain – Big
Data ist eine Herausforderung für den Datenschutz. In: Vitako aktuell, 1/2013, S. 14–15.
103
104
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Quellen
TDWI E-Book: The Internet of Things: The Practical and Ethical Dimensions of Big Data. August
2015.
Ulmer, Claus, Deutsche Telekom AG: Big Data – Große Datenmengen – Große Sorgen?, Vortrag
auf dem 1. Big Data Summit (24. Juni 2013) des ­Bitkom.
Ulmer, Claus: Big Data – neue Geschäftsmodelle, neue Verantwortlichkeiten? RDV – Recht der
Datenverarbeitung (2013), S. 225 (229).
Umbach, Christian, Lufthansa Innovation Hub Berlin; Kellner, Stefan, Door2Door GmbH: Urban
Transit Technology Solutions durch Big Data: Das Projekt Time2Gate. Vortrag auf dem
3. ­Bitkom Big Data Summit, 25. Februar 2015.
Vospeter, Philip, Claas KGaA mbH; Porzig, Alf, Mieschke Hofmann und Partner Gesellschaft für
Management- und IT-Beratung mbH Group Wide Machine Data Analytics @ CLAAS. Vortrag
auf dem 3. ­Bitkom Big Data Summit, 25. Februar 2015.
Wagner, Ben: The Ethics of Algorithms: from radical content to self-driving cars. Final Draft
Background Paper. Global Conference on CyberSpace 2015, 16–17 April 2015, The Hague, The
Netherlands. Vgl. https://www.gccs2015.com/sites/default/files/documents/Ethics_Algorithms-final%20doc.pdf sowie https://www.gccs2015.com/programme und https://cihr.eu/
the-ethics-of-algorithms
We harness the power of data science in the service of humanity. http://www.datakind.org
Weber, Norbert, Motionlogic GmbH: Big Data im öffentlichen Nahverkehr – mit Aktivitätsdaten
aus dem Mobilfunknetz Streckennetze optimieren. Vortrag auf dem 3. ­Bitkom Big Data
Summit, 25. Februar 2015.
Wegner, Susan, Deutsche Telekom AG: Future Analytics – Fabrizieren von synthetischen Daten.
Vortrag auf dem 3. ­Bitkom Big Data Summit, 25. Februar 2015.
Weichert, Thilo: Big Data und Datenschutz, https://www.datenschutzzentrum.de/bigdata/20130318-bigdata-und-datenschutz.pdf (Zugriff am 15. Juni 2015).
Welchering, Peter: Digitaler Radiergummi – Was im Netz steht, bleibt. 14. Januar 2011. Vgl. http://
www.faz.net/aktuell/technik-motor/computer-internet/digitaler-radiergummi-was-im-netzsteht-bleibt-1580048.html (abgeufen am 31. Juli 2015).
Westermann, Sascha, Hamburg Port Authority AÖR; Müller, Hartmut, T-Systems International
GmbH: Smart Port Logistics im Hamburger Hafen, Vortrag auf dem 2. ­Bitkom Big Data Summit, 26. März 2014.
Leitlinien für den Big-Data-Einsatz – Chancen und Verantwortung
Quellen
Willkomm, Marlene, Stadtentwässerungsbetriebe Köln: Smart Data Katastrophenmanagement
(sd-kama) – am Beispiel der Hochwasserschutzzentrale der Stadt Köln, Vortrag auf dem
Meeting der ­Bitkom-Arbeitskreise Big Data und E-Government, Köln, 27. November 2014.
Winter, Christian, Fraunhofer-SIT; Mollat, Ingolf, Ernst & Young GmbH; Steinebach Martin, Fraunhofer- SIT: Betrugserkennung in Buchungsdaten – Forensik in Big Data mittels modellbasierter Ziffernanalyse. Vortrag auf dem 2. ­Bitkom Big Data Summit, 26. März 2014.
Xu, Feiyu, Deutsches Forschungszentrum für Künstliche Intelligenz (und weitere 12 Autoren):
Smart Data For Mobility (SD4M) – eine Big-Data-Analytik-Plattform für multimodale Smart
Mobility Services. Vortrag auf dem 3. ­Bitkom Big Data Summit, 25. Februar 2015.
105
Bitkom vertritt mehr als 2.300 Unternehmen der digitalen Wirtschaft, davon gut 1.500 Direktmitglieder. Sie erzielen mit 700.000 Beschäftigten jährlich Inlandsumsätze von 140 Milliarden
Euro und stehen für Exporte von weiteren 50 Milliarden Euro. Zu den Mitgliedern zählen
1.000 Mittelständler, 300 Start-ups und nahezu alle Global Player. Sie bieten Software, IT-Services,
Telekommunikations- oder Internetdienste an, stellen Hardware oder Consumer Electronics
her, sind im Bereich der digitalen Medien oder der Netzwirtschaft tätig oder in anderer Weise Teil
der digitalen Wirtschaft. 78 Prozent der Unternehmen haben ihren Hauptsitz in Deutschland,
9 Prozent kommen aus Europa, 9 Prozent aus den USA und 4 Prozent aus anderen Regionen.
­Bitkom setzt sich insbesondere für eine innovative Wirtschaftspolitik, eine Modernisierung des
Bildungssystems und eine zukunftsorientierte Netzpolitik ein.
Bundesverband Informationswirtschaft,
Telekommunikation und neue Medien e. V.
Albrechtstraße 10
10117 Berlin
T 030 27576-0
F 030 27576-400
[email protected]
www.bitkom.org

Agenda Big Data Roundtable

Data Lakes: Steht eine Springflut bevor?

PDF Version

Page 1 Investmentmanager/in Immobilien – Stellenausschreibung

Flyer BIG Challenge Programm 2015 Neu

Programm

Ermunterung zur Reflexion über das ärztliche Selbstverständnis

Urbane Entwicklung und Mobilität - Hochschule für Architektur, Holz

WETTBEWERB ENTSCHIEDEN: NEUES LABOR

IIIIDORTMUN DE R GRUPPE